dynamiskt samspel mellan utvecklingen av infrastruktur och bnp · 2012-02-13 · viktiga och...
TRANSCRIPT
Dynamiskt samspel mellan utvecklingen av infrastruktur och BNP
Rapport2011:2
Dynamiskt samspel mellan utvecklingen av infrastruktur och BNP
Rapport2011:2
TrafikanalysAdress: Sveavägen 90113 59 StockholmTelefon: 010 414 42 00Fax: 010 414 42 10E-post: [email protected]: www.trafa.seAnsvarig utgivare: Brita SaxtonPubliceringsdatum: 2011-07-07
3
Förord
Ett lands ekonomi består av en mängd olika delar vilka samverkar och anpassar
sig till varandra. Anpassningar sker med olika hastighet. Transportsektorn skapar
viktiga förutsättningar för arbetspendling, inköpsresor och varuhandel. Efter-
frågan på dessa kan härledas från interaktionen mellan ekonomiska aktörer och
påverkas därför starkt av den ekonomiska utvecklingen. Infrastrukturbeslut fattas
på grundval av kollektiva/politiska överväganden, vilket påverkar hastigheten
som infrastrukturen kan anpassa sig till förändringar i övriga ekonomin. Det kan
också vara så att den ekonomiska utvecklingen påverkas av förändringar i
infrastrukturen.
Institutet för näringslivsanalys (INA) vid Internationella handelshögskolan i
Jönköping har på uppdrag av och i samverkan med Trafikanalys analyserat det
dynamiska samspelet mellan förändringar i infrastruktur och ekonomisk
utveckling för Sverige. Analysen har en starkt teoretisk ansats och vi är
medvetna om att rapporten därför kan vara svårtillgänglig. Slutsatserna är dock
viktiga och intressanta och vi bedömer att denna rapport är ett värdefullt
underlag för ytterligare studier när det gäller samspel mellan tillväxt och
investeringar i infrastruktur.
Författare och medverkande från INA har varit professor Börje Johansson,
docent Johan Klaesson, Kristofer Månsson och Sofia Wixe. Projektledare på
Trafikanalys har varit Désirée Nilsson.
Stockholm juni 2011
Brita Saxton
Generaldirektör
5
Innehåll
Förord .................................................................................................................. 3
Sammanfattning och slutsatser: Dynamiskt samspel mellan infrastruktur
och BNP ............................................................................................................... 7
1 Infrastruktur och ekonomisk tillväxt ........................................................ 11
1.1 Tidsskalor för samspelet mellan infrastruktur och ekonomisk tillväxt . 11
1.2 Växande BNP genererar ökad efterfrågan på infrastruktur ................ 13
1.3 Infrastrukturens kapacitet som förutsättning för tillväxten i BNP ........ 15
1.4 Hypoteser om ömsesidiga dynamiska samband ................................ 17
2 Analys av infrastruktur och tillväxt .......................................................... 19
2.1 Teori om endogen tillväxt och agglomerationsfördelar ...................... 19
2.2 Varför finns ett samband mellan infrastruktur och BNP? ................... 21
2.3 Försök att estimera infrastrukturens effekter på ekonomin ................ 23
2.4 Tidsskalor för anpassningar mellan transportvariabler och BNP ....... 25
3 Vågrörelser och Grangerkausalitet .......................................................... 27
3.1 Waveletanalyser av vågrörelser ......................................................... 27
3.2 Analysens tidsintervall ....................................................................... 28
3.3 Grangerkausalitet .............................................................................. 29
3.4 Impulsresponsmönster ...................................................................... 31
4 Hur samspelar förädlingsvärdet av transporttjänster och
anläggningsverksamhet med BNP? ........................................................ 33
4.1 Tidsmönster för samspelet mellan BNP och export ........................... 33
4.2 BNPs samspel med transport- och kommunikationstjänsternas
förädlingsvärde ............................................................................................ 37
4.3 BNPs samspel med järnvägarnas förädlingsvärde ............................ 39
4.4 BNPs samspel med anläggnings- och byggverksamhetens
förädlingsvärde ............................................................................................ 42
5 Kausalitet mellan investeringar i infrastruktur och BNP........................ 45
5.1 BNPs samspel med investeringar i och underhåll av vägar ............... 45
5.2 BNPs samspel med investeringar i byggnader och anläggningar ...... 49
6 Några slutsatser om svängningar i transportinvesteringar och BNP ... 53
6
6.1 Två variabler som mäter produktion av transport- och
kommunikationstjänster ............................................................................... 53
6.2 Aggregerade investeringar i infrastruktur och byggd miljö ................. 54
7 Referenser .................................................................................................. 57
Appendix 1: Variabelöversikt och datakällor. Fasta priser 2000, milj. SEK . 61
Appendix 2: Impulsresponsfunktioner ........................................................... 65
Appendix 3: Kommentarer till olika ansatser att belysa sambandet mellan
BNP och transportsystemvariabler ........................................... 77
7
Sammanfattning och slutsatser: Dynamiskt samspel mellan infrastruktur och BNP
Vilken betydelse har utvecklingen av transportsektorns och dess infrastruktur för
BNP:s utveckling? Påverkar de aggregerade investeringarna i infrastruktur BNPs
långsiktiga tillväxt? Svaren i den här rapporten är
Bruttoinvesteringar i vägkapacitet har långsiktiga positiva effekter på
BNP:s tillväxt.
Investeringar i byggnader och anläggningar påverkar BNP:s långsiktiga
utveckling.
Även järnvägarnas förädlingsvärde stimulerar BNP:s förändringsförlopp.
Makroekonomiska variabler som BNP, export och investeringar utvecklas över
tiden i vågrörelser som svänger runt en trendrörelse. Med hjälp av wavelet-
transformationer kan en vågrörelse delas upp i (i) kortsiktiga rörelser för 1-
årsvärden och för genomsnitt av 2-årsvärden, (ii) medelsiktiga rörelser för
genomsnitt av 4-årsvärden, samt (iii) långsiktiga rörelser för genomsnitt av 8-
årsvärden.
Waveletanalysen används för att separera kort-, medel- och långsiktiga rörelser i
variabler som exempelvis BNP och aggregerade investeringar i byggnader och
anläggningar. Resultatet blir tidsserier för korta, medelsiktiga och långa
vågrörelser. För var och en av dessa waveletfiltrerade serier kan man med
Grangerteknik undersöka om en given tidsserie påverkar (Grangerorsakar) en
annan tidsserie. Svaren kan gälla frågor av följande typ: Påverkas kort- och
långsiktiga förändringar i BNP av kort- och långsiktiga förändringar i
investeringarna, och är denna påverkan självförstärkande så att en högre BNP-
nivå i sin tur stimulerar till högre investeringar?
Den här studien behandlar samspelet mellan utvecklingen av infrastruktur och
BNP. Huvudresultatet i rapporten gäller samspelet mellan BNP och två
investeringsvariabler och en variabel som återpeglar transportaktivitet. Den
senare variabeln avser järnvägarnas förädlingsvärde. Investeringsvariablerna är
8
Investeringar i och underhåll av vägar (V-investeringar)
Investeringar i byggnader och anläggningar (I-investeringar), som är ett
aggregat i vilket väginvesteringar ingår.
Kortsiktiga förändringar av V-investeringar har ingen tydlig påverkan på BNPs
kortsiktiga utveckling, men de har en positiv och signifikant påverkan på BNPs
långsiktiga förändring. Vidare gäller att en uppgång av V-variabelns nivå under
en 4-årsperiod påverkar positivt BNP-nivån för en stegvis sekvens av
4-årsperioder. På likartat sätt har V-variabelns värde under en 8-årsperiod en
positiv effekt på BNP-nivån under en stegvis sekvens av 8-årsperioder. Den
långsiktiga tillväxten av BNP har samtidigt en dämpande effekt på väg-
investeringarnas nivå, medan ettåriga uppgångar i BNP genererar positiv
stimulans till V-investeringarnas långsiktiga nivå.
Vad innebär ovanstående resultat i ett policyperspektiv? Det visar att både
kortsiktiga, medelsiktiga och långsiktiga uppgångar av V-investeringarnas nivå
orsakar en långsiktig tillväxt av BNP. En nedgång har omvänd effekt. Samtidigt
medverkar en långsiktig BNP-uppgång till att dämpa V-investeringarnas höjning,
vilket klart indikerar att investeringarna driver på BNP-tillväxten, medan det
omvända sambandet saknas.
Investeringar i byggnader och anläggningar är summan av alla investeringar i
byggnader för produktion, samhällsservice och boende, liksom i olika
försörjningssystem som vatten och avlopp, samt i anläggningar för väg-, flyg-,
järnvägs- och sjötrafik. Dessa I-investeringar har ett inslag av självförstärkande
effekter. För det första, I-variabelns genomsnittsvärde under ett 4-årsintervall
stimulerar tillväxten av BNP under en stegvis följd a 4-årsintervall. Det betyder
att medelsiktiga svängningar av investeringarna påverkar BNPs medelsiktiga
vågrörelse under en följd av år. Samtidigt leder en medelsiktig uppgång av BNP
till höjningar av I-investeringarnas nivå, vilket betyder att processen är
självförstärkande. Vidare har BNPs långsiktiga trend en positiv och signifikant
påverkan på I-investeringarnas långsiktiga nivå.
Policyrelevansen av ovanstående resultat är att de aggregerade investeringarna
både stimuleras av och stimulerar medelsiktiga svängningar i BNP. Det betyder
att det ömsesidiga samspelet mellan investeringar och BNP försvårar ambitionen
att åstadkomma en stadig utveckling av BNP, även om kortsiktiga rörelser hos
investeringar och BNP inte påverkar varandra på ett signifikant sätt.
Sammanfattningsvis är det främst BNP:s medel- och långsiktiga utveckling som
driver fram de aggregerade investeringarna och i andra hand stimulerar
medelsiktiga höjningar av investeringarna BNP:s medelsiktiga utveckling.
För järnvägstjänsternas förädlingsvärde finns följande tydliga samband:
Kortsiktiga och långsiktiga ökningar av järnvägarnas förädlingsvärde har en
positiv och signifikant påverkan på BNP:s långsiktiga nivå. Medelsiktiga
höjningar av järnvägssektorns förädlingsvärde påverkar positivt och signifikant
BNP:s medelsiktiga utveckling,
9
Det finns ett antal resultat i rapporten som motiverar ytterligare studier:
Aggregatet investeringar i byggnader och anläggningar bör delas upp i ett
antal delkomponenter, för att undersöka de senares samspel med BNP.
Väginvesteringar är en av flera sådana komponenter.
De långa tidsserierna för investeringar i byggnader och anläggningar och
för investeringar i och underhåll av vägsystemet bör delas upp i två
delserier avseende perioden före, respektive perioden efter 1950. En
sådan uppdelning kan klargöra förekomsten av strukturella förändringar i
dynamiken.
10
11
1 Infrastruktur och ekonomisk tillväxt
1.1 Tidsskalor för samspelet mellan
infrastruktur och ekonomisk tillväxt Den ekonomiska aktiviteten i ett land utvecklas i vågrörelser – dels längre vågor
som sträcker sig över flera år, dels överlagrade kortare mer frekventa rörelser.
Man kan förklara sådana vågor med hypotesen att ekonomins utveckling
bestäms av hur ekonomins olika delar anpassar sig till varandra, där till exempel
ökad efterfrågan på vissa insatsleveranser stimulerar leverantörerna av dessa
insatsflöden att höja sin produktionskapacitet genom investeringar av olika slag.
Minskad efterfrågan på andra leveranser kan på motsvarande sätt ge incitament
till kapacitetsreduktion.
I varje given situation har ett företag en viss kapacitetsnivå och när efterfrågan
varierar inom kapacitetsgränsen kan företagets utbud och försäljning anpassas
snabbt. Om efterfrågan växer utöver kapacitetsrestriktionen kan företaget svara
med ökade leveranser först när kapaciteten utvidgats. Sådana kapacitetsökande
investeringar sker alltid med fördröjningar, som kan vara betydande för vissa
näringsgrenar, till exempel olika typer av energiproduktion, medan fördröjningen
kan vara ringa för vissa tjänstesektorer.
Det enskilda företagets möjligheter att utföra sin produktion under lönsamhet
bestäms inte enbart av företagets eget kapital. Infrastruktur i form av
transportsystem och nätverk för dessa system utgör ett samhällsgemensamt
kapital, som kan betraktas som en kollektiv nyttighet fram till den punkten då
kapacitetsbrist och trängselfenomen uppstår, fenomen som i sig är kollektiva. Ett
vägsystem är kollektivt på flera sätt. I varje given företagslokalisering bestämmer
det (tillsammans med andra transportsystem) företagets tillgänglighet till
arbetskraft med olika utbildningar och kvalifikationer. Samma vägsystem
påverkar också varje enskilt hushålls tillgänglighet till arbetstillfällen, givet
hushållets lokalisering. Ett annat exempel på vägsystemets kollektiva natur är en
motorväg som passerar genom en urban region, där vägen dels kan utnyttjas för
lokala pendlingsresor, dels för långväga transporter in till och ut från den urbana
regionen.
Infrastrukturnätverk och system för transporter skiljer sig från enskilda
verksamheters produktionskapital i flera avseenden. För det första fattas beslut
om infrastruktur på grundval av kollektiva/politiska överväganden, vilket betyder
att infrastrukturens anpassning till andra förändringar i ekonomin tenderar att ha
lägre anpassningshastighet (större fördröjningar) än vad som gäller de flesta
andra investeringar. För det andra är tidsåtgången för att bygga och förnya
nätverk ofta stor, vilket också påverkar anpassningshastigheten i negativ
12
riktning. För det tredje har transportnätverk ofta en mycket utdragen livslängd,
vilket också har betydelse för hur transportnätverks utveckling kan anpassas till
övrig ekonomisk utveckling.
Enligt ovanstående korta genomgång finns det tydliga skäl varför transport-
nätverkens anpassning till ekonomins utveckling har inslag av fördröjningar, som
gör att samband för anpassningsprocessen måste analyseras med olika
tidsskalor samtidigt för att bilden av sambanden skall bli korrekt. Men det finns
också återkopplingar. Förnyelse av transportnätverk stimulerar även till
anpassningar i övriga ekonomin. En del av dessa är också fördröjda och
utdragna i tiden. Ett sådant fenomen uppstår på grund av att nya transportvillkor
förändrar olika orters och regioners tillgänglighetsmönster, och därmed
stimuleras både hushåll och verksamheter (arbetstillfällen) att anpassa sin
lokalisering av boende och produktion. Dessa gradvisa omlokaliseringar äger
rum under inflytande av offentlig planering och förutsätter investeringar i
bebyggelse. Även i detta fall kan således anpassningsprocessen omfatta både
kortsiktiga och långsiktiga effekter.
Den här studien avser att belysa hur förändringar i transportsystem och
transportinfrastruktur påverkar utvecklingen av den svenska ekonomin – och hur
förändringar i den ekonomiska aktivitetsnivån i Sverige påverkar kapacitets-
förändringar i olika transportsystem. Perspektivet är makroekonomiskt och
modelleringen är avsedd att belysa ömsesidig dynamik mellan BNP och
aggregerade variabler som återspeglar transportarbete, transportnätverk samt
investeringar i sådana närverk och likartad infrastruktur. De resultat som kommer
att presenteras kan ge vägledning för bedömningar av följande slag:
Vad innebär en kortsiktig förändring av transportsystemets kapacitet för
BNP-nivån på kort och på lång sikt?
Hur påverkar en kapacitetsförändring av transportsystemet över 2 år
BNPs stegvisa (1-årsförskjutna) 2-årsvärden?
Hur påverkar en kapacitetsförändring av transportsystemet över en 4-
årsperiod BNPs stegvis förskjutna 4-årsvärden?
Hur påverkar en åttaårig kapacitetsförändring av transportsystemet BNPs
stegvis förskjutna 8-årsvärden?
De uppställda frågorna har också en återkopplingsaspekt. Med samma
tidsintervall (tidsskalor) som ovan kan vi vända på frågorna:
Vilken effekt har BNP-nivån under ett tidsintervall på transportsystemet
under tidsintervall av motsvarande längd?
Vilken effekt har en ettårig förändring av BNP-nivån på transportsystemet
under en stegvis förskjutning av 8-årsvärden? Har BNP-nivån under ett år
några långsiktiga konsekvenser för olika delar av transportsystemet?
13
Undersökningen av samspelet mellan infrastruktur och ekonomins utveckling
ställs mot en referensanalys som behandlar det ömsesidiga dynamiska
samspelet mellan BNP-nivå och samlat exportvärde. Genom en sådan referens
kan vi jämföra olika transportaggregats samspel med BNP med exportens
samspel med BNP.
1.2 Växande BNP genererar ökad
efterfrågan på infrastruktur Bruttonationalprodukten (BNP) är ett mått på ett lands ekonomiska aktivitet och
återspeglar summan av det förädlingsvärde som produceras av alla ekonomiska
aktörer under en tidsperiod, och detta värde beräknas årligen av SCB. Ett
företags förädlingsvärde kan beräknas som skillnaden av företagets saluvärde
minus kostnaderna för intermediära leveranser (insatsleveranser som el, råvaror,
komponenter, transporter, mm.) Förädlingsvärdet är också lika med summan av
företagets lönesumma och bruttovinst.
Ett lands BNP fördelas under ett år över olika användningsområden som privat
och offentlig konsumtion, liksom privata och offentliga investeringar. Växande
BNP genererar normalt en ökad produktion av transporttjänster. Den gängse
formuleringen är att efterfrågan på transportarbete kan härledas från ekonomiska
aktörers interaktion som möjliggörs genom varu- och personflöden mellan
lokaliseringar i den ekonomiska geografin. På kort sikt är geografin i huvudsak
oförändrad och ger därmed strikta ramar för arbetspendling, inköpsresor och
varuflöden. På något längre sikt ändras lokaliseringsmönstret för de flesta
verksamheter och ny infrastruktur kommer till, och som en följd förändras
ramarna för interaktionen på tjänste-, varu- och arbetsmarknaderna.
Ökad ekonomisk aktivitet stimulerar de ekonomiska flödena i den svenska
ekonomin i enlighet med följande exempel:
När BNP-tillväxten medför ökat antal arbetstillfällen, då växer även
pendlingsresorna mellan bostad och arbetsplats.
När BNP-tillväxten medför att hushållens inkomst ökar, då växer
hushållens konsumtion av transporttjänster i form av inköpsresor,
fritidsresor för besök av släkt och vänner, resor i samband med turism,
mm.
När BNP-tillväxten medför ökad produktion av tjänster, då växer
efterfrågan på tjänsteresor, där ett tjänsteföretag säljer tjänster till andra
företag och organisationer.
När BNP-tillväxten medför att produktionen av insatsleveranser ökar, då
växer volymen av godstransporter.
När BNP-tillväxten medför att konsumtionen av varor ökar, då växer
volymen av godstransporter.
14
Vad är innebörden av de uppräknade sambanden? Huvudbudskapet är att
växande BNP med ökad ekonomisk aktivitet har till följd att efterfrågan på
transporter blir större. Med ökande transportarbete växer påfrestningarna på
transportsystemets kapacitet, vilket kan avläsas som trängsel och köbildning,
men också i form av förlängda transporttider. Observationer av sådana fenomen
liksom prognoser av en sådan utveckling ger stimulans till att genomföra
investeringar som ökar transportkapaciteten genom tillkomst av ny infrastruktur
och fler fordon hos hushåll, transportföretag och andra företag. Denna stimulans
är ofta fördröjd, men utbyggd transportkapacitet kan också ske innan efterfrågan
hunnit realiseras, dvs. investeringen sker ”ahead of demand” (Lakshmanan,
1989; Lakshmanan and Anderson, 2007a, 2007b).
Ovanstående samband återspeglar att efterfrågan på transporttjänster är en
härledd efterfrågan. Men vilken typ av transporttjänster påverkas av ekonomisk
tillväxt? Det beror på hur tillväxten är sammansatt. Olika typer av varor forslas
med olika typer av transportmedel, vilket betyder att när efterfrågan på en viss
grupp varor ökar, då ökar också efterfrågan på en viss kategori transporter.
Varor med lågt enhetsvärde (värde per viktenhet) och lång transportväg färdas i
stor utsträckning med tåg och fartyg. Om BNP-tillväxten främst gäller sådana
varor med lågt enhetsvärde, växer järnvägs- och vattenvägstransporterna. Om
BNP-tillväxten istället främst avser varor med högt enhetsvärde, leder tillväxten
till en ökning av väg- och flygtransporter.
En väsentlig del av varutransporterna inom Sverige avser varor som importeras
in till orter i landet och som exporteras från orter i landet till destinationer i
omvärlden. De motsvarande transportflödena utgör en stor andel av varu-
transporterna i landet och enligt utrikeshandelstatistik från SCB uppgick varornas
värde vissa år under perioden 2000-2008 till omkring 70 procent av BNP, vilket
framgår av Figur 1.1 vars översta kurva visar BNPs utveckling sedan 1830 i fasta
priser, och vars näst översta kurva återger utvecklingen av landets handel med
varor (summa export och import).
Figur 1.1 Tidsserie för BNP och handel i 2000 års priser. Miljoner kronor. (Källorna anges i Appendix 1)
-500 000
0
500 000
1 000 000
1 500 000
2 000 000
2 500 000
3 000 000
18
30
18
40
18
50
18
60
18
70
18
80
18
90
19
00
19
10
19
20
19
30
19
40
19
50
19
60
19
70
19
80
19
90
20
00
BNP X IM NX XIM
15
1.3 Infrastrukturens kapacitet som
förutsättning för tillväxten i BNP
Sveriges ekonomi kan beskrivas i aggregerade termer med variabler som BNP,
summa löner (lönesumma), summa bruttovinster, samt total export och import.
Ekonomin kan också redovisas ur ett geografiskt perspektiv, där landet delas in i
funktionella urbana regioner, till exempel i 72 FA-regioner (funktionella arbets-
marknadsregioner; Johansson, et.al., 2010). För varje sådan region finns
uppgifter om BRP (bruttoregionprodukt), lönesumma, export- och importflöde.
Förändringar i transportsystemet påverkar tidsavstånden och de geografiska
transaktionskostnaderna inom och mellan de urbana regioner, och därmed
förändras den inomregionala och den mellanregionala tillgängligheten till
resurser och nyttigheter för hushåll och företag i varje enskild region. Företagen
kan få större tillgänglighet till arbetskraft och insatsleverantörer och förändrad
inom- och utomregional marknadspotential. Hushållen får förändrad tillgänglighet
till arbetstillfällen och till konsumtionsalternativ. Följderna av tillgänglighets-
förändringarna avläses bland annat i att vissa av de urbana regionerna växer,
med ökad produktivitet, lönesumma och konsumtion (Johansson, et.al., 2010).
Enligt ovanstående argument kan infrastruktur för transporter och interaktion
förändra villkoren för den ekonomiska aktiviteten i landets funktionella regioner
och därmed i landet som helhet. En huvudsynpunkt är att förbättrade transport-
system hjälper till att sänka och hålla nere de geografiska transaktions-
kostnaderna. De minskar tidsavstånden mellan orter i den geografi som binds
samman av transportnäten, och därmed ökar de berörda orternas tillgänglighet.
Som ytterligare en följd kan hushållens välfärd öka genom att möjligheter till
rörlighet och tillgänglighet till valalternativ växer.
Vi kan beskriva dessa konsekvenser också ur ett annat perspektiv. När
transportnätens funktion förbättras kan enskilda funktionella regioner vidgas, den
enskilda regionen kan förstoras. En större region får, allt annat lika, en större
intern marknadspotential vilket ökar möjligheterna för företag att bättre utnyttja
skalfördelar. Särskilt gäller att en förstorad region ger utrymme för fler typer av
näringar.
En regions marknadspotential kan öka dels genom att gränser för områden som
tillhör regionen vidgas, dels genom att regionen förtätas. När tätheten ökar
måste också infrastrukturens kapacitet (och kvalitet) öka, om interaktions-
kostnaderna skall hållas nere och tillgängligheten hållas uppe. Täthet utan
infrastrukturkapacitet ger trängsel och därmed lägre tillgänglighet än vad som är
möjligt. Men infrastrukturkapacitet utan täthet blir ett tomt skal och innebär
outnyttjad kapacitet.
Företags marknadspotential kan mätas dels från inköps-, dels från försäljnings-
sidan. I det första fallet handlar det om tillgänglighet till leverantörer, i det andra
närhet till kunder. Det första fallet innefattar också tillgänglighet till arbetskraft.
Hushållens marknadspotential avser på motsvarande sätt deras tillgänglighet till
16
förvärvsarbeten. Det är med denna bakgrund intressant att notera hur man i den
internationella litteraturen försökt förklara infrastrukturens betydelse för regioners
ekonomi. Ofta pekas följande tre effekter ut som grundläggande (Karlsson,
1994):
Infrastrukturen har insatseffekter. Företagens tillgång på insatsresurser
inklusive arbetskraft kan förbättras, och kostnaderna för insatsflödena kan
sänkas.
Infrastrukturen har marknadseffekter. Företagens marknadspotential kan
växa, och deras möjligheter och kostnader för att avsätta sina produkter
förbättras. På arbetsmarknaden kan vidare hushållens marknadspotential
växa, med fler arbetstillfällen att välja mellan.
Infrastrukturen har lokaliseringseffekter. Infrastruktur som ändrar regio-
ners tillgänglighet och tillgänglighetsmönstret inom en region ger också
incitament för hushåll och företag att dra nytta av detta i sina
lokaliseringsval.
Infrastruktur och transportsystem underlättar således transaktionsprocessen. Det
är på ett direkt sätt kostnadssänkande. Sänkta geografiska transaktions-
kostnader kan vidare göra en regions marknadspotential större, vilket ger
utrymme för att utnyttja skalfördelar som i sin tur höjer berörda företags
produktivitet. Ökad marknadspotential kan kopplas till (i) marknadseffekter, (ii)
lokaliseringseffekter, och (ii) insatseffekter enligt följande:
(i) Befintliga näringar kan öka sin volym och därmed höja sin produktivitet
genom bättre skaleffektivitet.
(ii) Nya näringsgrenar får tillräckligt goda försäljningsmöjligheter för att
lokalisera sig i regionen.
(iii) Ökad marknadspotential i en region kan också betyda att flera insats-
leverantörer utvecklas i närregionen, vilket kan både sänka insatskost-
naderna och bredda valmöjligheterna för de företag som köper insats-
leveranserna, med förbättrad resursallokering som följd.
Den bild som tecknats innebär att företag och hushåll anpassar sitt beteende till
förändrade transport- och interaktionsvillkor. Till bilden hör också att beslut om
förändrad infrastruktur och förnyelse av transportsystemen kan beskrivas som en
anpassning till förändringar i den ekonomiska aktiviteten. Uppgiften i den
följande analysen är att tydliggöra dess ömsesidiga anpassningar, belysa
samband som gäller orsak och verkan (kausalitet), och klargöra
anpassningarnas tidsprofil och fördröjningar. Instrumenten som tillämpas är
Waveletanalys och Grangerkausalitet.
17
1.4 Hypoteser om ömsesidiga dynamiska
samband Frågeställningen i den följande analysen gäller samspelet mellan variabler som
(i) beskriver transportsystemets produktion respektive kapacitet, och (ii) BNP.
Den första frågan gäller om transportvariabelns kortsiktiga värde (under 1,
respektive under 2 år), medelsiktiga (under 4 år) samt långsiktiga (under 8 år)
påverkar BNPs kortsiktiga, medelsiktiga och långsiktiga värde. Uttrycket avser
kausal influens av så kallad Grangertyp.
Analysen undersöker även omvänd påverkan, där BNP-nivån har en kausal
inverkan på kort-, medel och långsiktig nivå hos var och en av berörda
transportvariabler. Detta senare samspel tolkas som en dynamisk återkoppling.
Två av transportvariablerna avser mått på produktion av transporttjänster, där
antagandet är att när produktionen av transporttjänster växer, då ökar också
berörd kapacitet hos transportsystemet. I detta sammanhang används följande
två variabler:
Transport- och kommunikationstjänsternas förädlingsvärde, där
transportverksamhet omfattar bantrafik, kollektivtrafik, luftfart,
postverksamhet, sjöfart, televerksamhet och vägtrafik.
Järnvägarnas förädlingsvärde, som alltså värderar järnvägssystemets
produktion, reducerat med kostnaderna för intermediära leveranser.
Hypotesen är att förädlingsvärdet från både transport- och kommunikations-
sektorn och från järnvägssektorn har en positiv influens på BNP-nivån i
ekonomin. I den empiriska analysen undersöks också om det finns en
återkoppling som innebär att växande BNP medför ett ökat förädlingsvärde i de
två sektorerna.
En lång tidsserie som står tillbuds för att belysa kapacitetsåtgärder i ekonomin är
Förädlingsvärdet för bygg- och anläggningsverksamhet. Detta
förädlingsvärde anger verksamhetens omfattning men återspeglar inte de
samlade investeringskostnaderna i byggnader och anläggningar. Dessa
kostnader är summan av sektorns förädlingsvärde och kostnaderna för
insatsleveranser av material och tjänster i samband med investeringarna.
Hypotesen är att förädlingsvärdet i sektorn bygg- och anläggningsverksamhet
samspelar med BNPs rörelse över tiden, men samspelets kausala riktning är
osäker.
18
Den databas som utnyttjas innehåller information om två investeringsvariabler:
Investeringar i och underhåll av landets vägsystem
Investeringar i byggnader och anläggningar, som är summan av alla
investeringar i byggnader för produktion, samhällsservice och boende,
liksom i olika försörjningssystem som vatten och avlopp, samt i
anläggningar för väg-, flyg-, järnvägs- och sjötrafik.
Hypotesen är att båda ovanstående investeringsvariabler har ett ömsesidigt
samspel på medellång och lång sikt, så att investeringarna stimulerar BNPs
rörelser och BNP-tillväxt stimulerar till investeringar i och underhåll av dels
vägar, dels byggnader och anläggningar.
Hela analysen som genomförs i avsnitten 4-6 förutsätter långa tidsserier. Denna
förutsättning har motiverat valet av variabler. Den analys som följer är tillräckligt
intressant för att motivera konstruktionen av fler tidsserier för att mer precist
definiera investeringar i olika kategorier av infrastruktur för transporter.
19
2 Analys av infrastruktur och tillväxt
Investeringar i infrastruktur och system för transporter har förutsättningar att öka
produktiviteten och produktionsvolymen i många näringsgrenar samtidigt och
därmed i ekonomin som helhet. När både produktivitet och produktionsvolym
ökar, kan man påstå att sänkta tidsavstånd och ökad tillgänglighet inte medför
enbart förskjutningar mellan regioner. De medför också att inkomst och välfärd
kan öka i samhället som helhet. Dessa slutsatser baseras på en genomgång av
internationella och svenska studier. Översikter av dessa studier återfinns i
Lakshmanan (2008), Johansson (2008), Lakshmanan and Anderson, 2007a,
2007b).
2.1 Teori om endogen tillväxt och
agglomerationsfördelar Sedan 1980-talets början har forskningen om ekonomisk tillväxt påbörjat en
teoriformulering om endogen tillväxt. Med denna framväxande teori får man
bättre förklaringar till varför regioners och länders produktivitet och inkomst per
capita skiljer sig åt så markant som de gör. Dessa skillnader står egentligen i
strid mot de utsagor som ges av den neoklassiska teorin för makroekonomisk
tillväxt som den utvecklades på 1950-talet, framöver av Solow (1957).
Solows modell ger precisa förutsättningar för att beräkna en residual som
återspeglar hur ekonomins produktivitet och produktion ökar på grund av
teknikutveckling, utbildning och infrastruktur. Sådana faktorer utgör däremot inte
en del av modellen utan tillförs analysen som en exogen faktor.
I motsats till den äldre teorins Solowmodeller visar den endogena tillväxtteorins
modeller hur tillväxttakten och teknikförnyelsen i en ekonomi påverkas av hur
stora avsättningar som görs av produktionsresultatet till investeringar i FoU,
utbildning, hälsa och infrastruktur (Romer, 1986; Barro och Sala-i-Martin, 1992).
Endogen tillväxt utgör ett viktigt perspektiv genom att den explicit behandlar
både privata kapitalresurser och kollektiva (eller semi-kollektiva) kapitalresurser
som transportinfrastruktur och FoU-baserade kunskaper. Det betyder i sin tur att
strukturell ekonomisk politik har betydelse:
Den långsiktiga tillväxten är endogen i den meningen att den beror på
investeringsbeslut som bestäms inom modellens ram. Offentliga beslut
om investeringar och institutionella arrangemang är en del av denna
endogenitet.
20
Teorin om endogen tillväxt ger ramvillkor för att förklara varför och hur
infrastruktur kan bidra till att ekonomin i regioner och ett helt land kan öka sin
produktivitet och sitt produktionsvärde. Den kompletterande teoretiska
förståelsen kan hämtas från teoretiska bidrag som (i) NEG eller ”Den Nya
Ekonomiska Geografin” (Krugman, 1991) och som (ii) agglomerationsfördelar
(Fujita och Thisse 2002). Tillsammans ger bidrag inom dessa två områden
förklaringar till varför och hur infrastruktur kan öka tillgängligheten för urbana
regioner, vilket i sin tur leder till att dessa regioner förstoras och förtätas, vilket
ger skalfördelar och mångfaldsfördelar som ökar regionernas bruttoregion-
produkt (BRP) per capita. Som en följd växer BNP i det berörda landets
ekonomi, eftersom BNP utgör summan av BRP i landets regioner.
Inom regional- och utvecklingsekonomisk forskning uppmärksammades
infrastrukturens roll för mer än ett halvsekel sedan (Rosenstein-Rodan, 1943;
Nurkse, 1953). I ett utvecklingsekonomiskt perspektiv blir det väsentligt att
undersöka infrastrukturens sammansättning (vägar, järnvägar, hamnar,
flygplatser, nätverk för informationsöverföring och bearbetning, mm). Det blir
också viktigt att ta hänsyn till i vilka regionala mönster som investeringarna i
infrastruktur faller ut. Den regionala fördelningen av privat kapital kan förutsättas
vara marknadsbestämd, vid givna institutionella villkor och given fördelning av
offentligt/kollektivt kapital. Den regionala allokeringen av infrastrukturkapital är
däremot politiskt bestämd.
Det är mot denna bakgrund som diskussioner fortlöpande förs om avvägningen
mellan önskemål om regional utjämning kontra ambitioner att uppnå en hög
nationell tillväxt. Samma diskussioner förekommer också inom EUs politiska
ram. Samtidigt kan man observera att delar av infrastrukturen, t ex bebyggelse
och lokala transportsystem, utformas genom beslut i funktionella regioner och
dess kommuner. Här finns analyser av Europas stadsregioner under
beteckningen territoriell konkurrens, där man tänker sig att funktionella regioner
tävlar med varandra genom sina beslut om resurser till den regionala
infrastrukturen (Cheshire och Gordon, 1995, 1998).
Infrastruktur för transporter har formen av nätverk med en geografisk
spridning. Denna observation innebär att aggregerade
infrastrukturvariabler bortser från att två lika stora investeringssummor
med olika rumslig fördelning kan få helt olika konsekvenser för hela
landets BNP.
Endogen tillväxtteori har i första hand utformats med hjälp av makrosamband
angivna i en produktionsfunktion för hela ekonomin. Denna produktionsfunktion
har utvidgats till att innefatta variabler som representerar mänskligt kapital, FoU-
kapital och/eller infrastruktur vid sidan av de traditionella variablerna arbetskraft
och privat kapital. Det är också inom denna ram som de omtalade analyserna av
Aschauer (1989, 1999) ägt rum. Dennes empiriska skattningar tillskrev
infrastrukturen en stor betydelse och följdes av en lång rad av ekonometriska
skattningar med varierande resultat. Tidsseriebaserade studier av samspelet
mellan infrastruktur och BNP från 1980- och 1990-talet präglas av två
21
fundamentala problem med de berörda makroekonomiska (aggregerade)
produktionsfunktionsmodellerna:
Skattningarna med aggregerade produktionsfunktioner förmår inte
klargöra det kausala mönstret, utan frågan kvarstår om det är BNP som
stimulerar till investeringar i infrastruktur eller om kausaliteten har omvänd
riktning.1
De aggregerade tidsserieanalyserna med aggregerade
produktionsfunktioner får lätt resultat som innehåller ”spurious
correlation”, där en tredje grupp av faktorer kan vara orsaken till att
ekonometrin påvisar ett tillsynes klart samband mellan BNP och
infrastruktur. Senare års ekonometriska metoder kan bättre hantera
denna typ av problem.
2.2 Varför finns ett samband mellan
infrastruktur och BNP? Förändringar av transportsystemen i Sverige har konsekvenser för både de
enskilda funktionella urbana regionerna och för landet som helhet. Om man vill
studera dessa konsekvenser, skall man då koncentrera sig på helheten eller
skall man studera delarna? Kan man analysera hur landets FA-regioner
(funktionella arbetsmarknadsregioner) påverkas och sedan ”summera
effekterna”, eller måste man studera både delarna och helheten?
De ställda frågorna är i någon mån retoriska. De insikter vi samlat på oss i
tidigare avsnitt innebär att man inte kan avstå från att analysera sambanden
mellan transportsystem och ekonomisk förändring i enskilda funktionella urbana
regioner (t. ex. SCBs lokala arbetsmarknadsregioner). Men insikterna innebär
också att det finns systemeffekter. Dessa kan estimeras, beräknas och tolkas i
aggregerad form som makrosamband. De kan också analyseras i
systemmodeller. Flera exempel på det senare angreppssättet finns i ett antal
japanska studier, t ex Mera (1975), Sasaki, Kunihisa och Sugiyama (1995) och
Kobayashi och Okumura (1997). De utgår från samband som specificerats och
estimerats för produktion och transporter på regional nivå och sätter därefter
samman dem i en systemmodell av flerregional typ. Även systemmodellen
baseras i varje fall på estimerade samband för hur regionerna samspelar och de
konsistenskrav som ställs på helheten. Med dessa systemmodeller kan sedan
alternativa konsekvenser och utvecklingsförlopp simuleras. Systemmodellerna
utgör också ett teoretiskt försök att beskriva mekanismer som förklarar varför det
finns ett samband mellan infrastruktur och BNP.
Infrastruktur som byggs ut kan leda till en vidgad marknadspotential i olika
regioner, vilket är en form av koncentrationsprocess i det flerregionala systemet.
1 Ett intressant undantag är så kallade Carlino-Millsmodeller som särskiljer variabler på en
snabb och en långsam tidsskala. Carlino and Mills (1987), Mills and Carlino (1989), Johansson (1993).
22
I absoluta tal kan marknadspotentialen öka mer i vissa regioner än i andra. Det
ger incitament till en ojämn dynamik, där vissa regioner får en mindre del av
vinsten eller rentav förlorar. Dynamiken kan innebära att hushåll flyttar från
regioner med relativt sämre förutsättningar till regioner som förstärkt sin position,
och detta är en kumulativ eller självförstärkande dynamik – vilket kommer att
visas senare i detta kapitel. Vidare, i vissa regioner kan företag reducera eller
helt lägga ner sin verksamhet, samtidigt som motsvarande aktiviteter expanderar
på andra ställen. Även detta är en självförstärkande dynamik.
De kumulativa processer som beskrivs ovan balanseras delvis av själv-
reglerande mekanismer i marknadsekonomin. Dessa medför att det inte bara
finns centripetala (koncentrerande) krafter som drar verksamheter mot
funktionella regioner med stor marknadspotential. Det finns också centrifugala
(utspridande) krafter som ger incitament för grupper av verksamheter att finna
andra lokaliseringar, där markpriser och lokalhyror är lägre. Ett huvudelement i
dessa decentraliserande motkrafter är prisbildningen på mark och fastigheter.
På vilket sätt kan markpriser åstadkomma en motkraft? När tätheten ökar i en
region under bibehållen tillgänglighet stiger markvärdet och hyran för lokalyta,
samtidigt som hyran för bostadsyta stiger i höjden. Därmed blir det kostsammare
för verksamheter att finnas i regioner med stor marknadspotential. Speciellt
stiger kostnaderna i centrala lägen av en sådan region.
Vad får då stigande markvärden för konsekvenser? Huvudprincipen är att endast
aktiviteter som kan dra tillräckligt stor nytta av tätheten och tillgängligheten kan
bli kvar i centrala lägen, och många aktiviteter stimuleras att lämna regionen helt
– i välartade fall för att lämna plats åt verksamheter vars produktivitet ger
överskott som är stora nog för att berörda verksamheter skall kunna betala för
tätheten. Endast dessa har en tillräckligt stor betalningsvilja för de tillgängliga
lägena och den stora marknadspotentialen. Det finns två huvudslutsatser från
detta resonemang:
Förändringar av transportsystem kan öka en regions marknadspotential
genom att öka befintliga och potentiella företags tillgänglighet till (i)
kunder, (ii) insatsleverantörer och (iii) utbudet av arbetskraft. Den
förväntade effekten är att både den ekonomiska aktiviteten och
produktiviteten stiger.
Det finns en självförstärkande dynamik som ger upphov till en delvis
självgenererad tillväxt. Omvandlingen tar sig uttryck i att alla regioner får
förändrade roller och att vissa växer snabbare än genomsnittet och drar
till sig hushåll med en positiv nettoflyttning som följd. För de regioner vars
ekonomier inte ökar antalet näringsgrenar och höjer sin produktion och
antalet förvärvsarbeten blir den sannolika följden att utbudet av varor och
tjänster minskar och smalnar. Ett sådant negativt förlopp kan vara
självförstärkande.
23
2.3 Försök att estimera infrastrukturens
effekter på ekonomin Vilka alternativa vägar finns då att tillgå om man ekonometriskt vill fastställa hur
transportsystem, tillgänglighet och ekonomins produktionsförmåga samspelar?
Som anges i Figur 2.1 finns det tre huvudvägar att gå. Man kan välja mellan (i)
tidsserieanalys, (ii) tvärsnittsanalys och (iii) kombinerad tidsserie- och
tvärsnittsanalys.
Tidsserieanalys kan göras för ekonomin som helhet i s.k. makromodeller, men
den kan också utföras för enskilda sektorer (näringsgrenar) av ekonomin
separat. Genomgående gäller emellertid för denna analys att den görs för en
enskild region, en makroregion eller ett helt land separat. Tidsserieanalysen
innebär helt enkelt att man följer de undersökta variablerna under en sekvens av
perioder (t ex år) och försöker finna regressionssamband i denna tidsföljd av
observationer, ofta med variablerna produktion, arbetskraft, privat kapital,
offentligt kapital (infrastruktur) och en teknikindikator.
Vid tidsserieanalys finns problemet att separera bort så kallad
missvisande korrelation (spurious correlation). Det är också problematiskt
att klargöra kausala riktningar i en process med ömsesidiga dynamiska
beroenden.
Tvärsnittsanalys innebär att man studerar ett mönster med observationer från en
enda tidpunkt, eller ett genomsnitt för variablerna för en given tidsperiod. En
sådan analys kan då visa hur produktionskostnaderna, produktiviteten eller
näringsgrensstrukturen skiljer sig åt mellan regioner som har olika god
försörjning med infrastruktur för transporter eller infrastruktur mer allmänt.
Egenskaperna hos infrastrukturen kan redovisas som kapitalvärden, men också i
form av kapacitet, kvalitet eller den tillgänglighet den skapar. Tvärsnittet har i de
flesta fall haft någon av följande två former: (i) simultan behandling av många
näringsgrenar (sektorer i ekonomin), och (ii) simultan behandling av många
regioner (i Sverige kommuner, A-regioner eller LA-regioner).
Tvärsnittsanalyser kan avslöja förekomsten av korrelation mellan (i)
infrastruktur- och transportsystemvariabler, och (ii) BNP och andra
liknande mått på ekonomisk aktivitetsnivå. Tvärsnittsanalyser förmår inte
klargöra orsak och verkan i ett tidsserieförlopp.
Ekonometriska modeller som kombinerar tvärsnitt och tidsserie utnyttjar självklart
en bredare uppsättning av information och har därför större möjlighet att
undanröja problem med att tolka erhållna resultat. Information av detta slag
kallas vanligen för paneldata. Det är uppenbart att egenskaper hos ett transport-
system kan representeras av tillgänglighetsmått eller täthetsmått om modellen
estimeras på regionala tvärsnittsdata. Ett tvärsnitt av sektorer gör det å andra
sidan möjligt att fånga in skillnader mellan olika sektorers nytta av eller
betalningsvilja för olika typer av förbättringar i transportsystemen.
24
Det finns ytterligare en betydelsefull distinktion i figur 2.1. Infrastruktur och
transportsystem kan beskrivas med antingen kapitalvärden eller fysiska mått.
Används kapitalvärden kan man utnyttja väldefinierade samband och villkor från
ekonomisk teori, och detta kan man också dra nytta av vid tolkningen av
resultaten. Å andra sidan, kapitalvärden kan inte fånga in väsentliga skillnader
mellan investeringar i olika slag av transportsystem eller skillnader mellan
samma transportsystem i olika regionala miljöer. Det kan fysiska mått göra.
Dessa kan ha formen av längd hos transportlänkar, flödeskapacitet, täthet, men
också tillgänglighet.
Figur 2.1 Översikt över empiriska angreppssätt
Med hänvisning till strukturen i Figur 2.1 dras följande slutsatser i Johansson (2008):
Estimationsresultaten uppvisar robust konsistens för de studier som
tillämpar paneldata med ”fysiska” mått på infrastruktur och
transportsystem.
Paneldata består av kombinerade tidsserie- och tvärsnittsobservationer. Modern
ekonometri har utvecklats för kausalitetsanalys av tidsserie- och paneldata som
hittills fått begränsad tillämpning i studier av samspelet mellan ekonomisk
omvandling och infrastruktur (Granger, 1988; Johansen, 1988). Den ansats som
presenteras i avsnitt 3 och som tillämpas i avsnitt 4 är en kombination av så
kallad Grangeranalys av tidsserier som dekomponerats med diskret wavelet-
transformation. Denna ansats är ett första steg för att tydliggöra både kortsiktiga
och långsiktiga beroenden mellan BNP och transportsystemvariabler – där
sådana beroenden är signifikanta.
Ekonometriska ansatser
Tvärsnittsanalys: o Flersektoransats o Flerregional ansats
Kombinerad tidsserie- och tvärsnittsanalys
Tidsserieanalys sepa- rat för en sektor och en (makro-) region
Fysiska mått för att beskriva infrastrukturen och transportsystemen
Ekonomiska penning-mått på infrastrukturen, t ex kapitalvärde
25
2.4 Tidsskalor för anpassningar mellan
transportvariabler och BNP Förändrade transportvillkor åstadkommer nya villkor för företag och hushåll, och
dessa villkor ändras inte likformigt i alla funktionella regioner. I vissa regioner
ökar tillgängligheten till mångfald och i andra minskar den. Nya transportnätverk
förändrar tidsavstånden mellan olika noder i geografin och det förändrar
tillgängligheten för varje nod. Förändrade tidsavstånd ger också nya
lokaliseringsvillkor, och ändrad lokalisering har också konsekvenser för
tillgängligheten.
Följden av att olika lokaliseringar får nya tillgänglighetsmönster blir att hushåll
och företag i utdragna processer förändrar sin lokalisering, och sådan
omlokalisering ökar agglomerationsfördelarna på vissa ställen och reducerar
dem på andra. Dessa processer är en väsentlig förklaring till varför man skall
förvänta sig en dynamik där transportsystem, bebyggelse och BNP utvecklas
under ömsesidigt beroende, samtidigt som anpassningarna sker på flera olika
tidsskalor.
En ekonomi som den svenska med stort inslag av ”marknad”, kännetecknas av
ömsesidiga beroenden mellan ekonomins företag och mellan hushållens och
företagens beteenden. Dessa interdependenser visar sig när de olika aktörerna
anpassar sig till hur marknader utvecklas (och förväntas utveckla sig). Dessa
anpassningar kan registreras som en anpassning mellan variabler som
återspeglar (i) näringsgrenars produktionsvolym, investeringar och lokalisering,
nedläggning av kapacitet och prissättning (ii) hushållens utbud av arbetskraft, val
av bostad och bostadsort, inköpsval, val av utbildning och lönekrav, och (iii)
offentliga organisationers och politiska instanser beslut om investeringar,
tjänsteproduktion, avgiftssystem och skattesystem.
Sker alla dessa anpassningar med samma hastighet, eller är en del anpass-
ningar snabbare och andra fördröjda? Svaret är helt enkelt, att det vi uppfattar
som ekonomins struktur är en återspegling av att vissa anpassningar är
utomordentligt långsamma i förhållande till andra. Världen får sin ordning genom
att snabba, långsamma och utomordentligt utdragna anpassningsprocesser
samspelar med varandra. På transportområdet kan man klassificera val av
färdväg och tidpunkt för en resa som en följd av snabba anpassningar, medan
förändringar av frekvensen för resor och frakter sker långsammare. Ännu mer
fördröjda är lokaliseringsbeslut som företag och hushåll gör. I än långsammare
tempo anpassar sig demografiska processer och transportefterfrågans
sammansättning (Holmberg, Johansson och Strömquist, 1999; Johansson och
Klaesson, 2007).
Hur ser då de utomordentligt långsamma anpassningsprocesserna ut? Här
återfinner man lokalisering av bostäder, arbetsplatser och serviceanläggningar,
utbyggnad av regionala och mellanregionala trafiksystem, liksom planerings-
metoder och värderingar. Allt detta är processer som direkt eller indirekt är
kopplade till offentliga beslut om varaktiga strukturer som dessutom har
26
bestående kollektiva konsekvenser. Av samma karaktär men normalt mindre
tröga är förändringar som gäller regelsystem och skattesystem m m.
Diskussionen om tidsskalor för olika anpassningsprocesser illustreras i Figur 2.2.
Samspelet mellan hushåll och företag och mellan företag inbördes anges med
(C) och är i stor utsträckning snabbare än de kollektiva beslutens anpassning
som anges med (A). Går vi sedan till pil (B) som syftar på hur den privata
ekonomin reagerar på de kollektiva besluten finns här också fördröjningar, med
dels kortsiktiga anpassningar följda av mer långsamma anpassningar som kan
gälla migrations- och lokaliseringsbeslut och mer utdragna förändringar av
transportefterfrågans sammansättning.
Figur 2.2 Anpassningsprocesser med olika grad av tröghet
Mot bakgrund till diskussionen i anslutning till Figur 2.2 kommer vi i det följande
avsnittet att introducera tekniker för att sortera olika tidsskalor på ett konsistent
sätt. Vi kommer särskilt att undersöka hur kortsiktiga förändringar i transport-
systemvariabler påverkar de kortsiktiga förändringarna i BNP, samtidigt som vi
också letar efter mönster som beskriver hur långsiktiga rörelser i transport-
systemets aktiviteter och kapacitetsförändringar påverkar långsiktiga
förändringar av BNP. I dessa analyser används följande fyra tidsintervall: 1, 2, 4
och 8 år. För varje tidsintervall transformeras de ursprungliga tidsserierna till nya
tidsserier. Avsnitt 5, som följer, behandlar detta sätt att koppla samman
utvecklingen av transportvariabler och BNP.
Hushållens anpassningar avseende löpande konsumtion, arbetsutbud, utbildning och lokalisering
Företagens anpassningar avseende inköp, produktion, försäljning, logistik, investeringar och lokalisering
Beslut av offentliga och privata organisationer som avser produktion av kollektiva tjänster, investeringar i och utformning av bebyggelse och transportsystem, lagar, regelsystem och institutioner i övrigt.
(C)
(A)
(B)
27
3 Vågrörelser och Grangerkausalitet
3.1 Waveletanalyser av vågrörelser Wavelet är en ansats som kan användas för att beskriva hur tidsserier förändras
över tiden på en given tidsskala. Wavelettekniken har som sitt utmärkande drag
att den på ett systematiskt sätt förmår beskriva en datamängd på distinkta
skalor, vilket betyder att datamängden kan återges med varierande upplösnings-
nivå – från mycket grov ner till en skala med finfördelade observationer. Ett
exempel på detta finns i Almasri och Shukur (2008), där Waveletmetoden
presenteras som ett instrument för att identifiera näringsgrenskluster över
fåställiga och flerställiga näringsgrenskoder och alternativa rumsliga indelningar
(se även Almasri och Shukur, 2003).
I den följande analysen tillämpas en Diskret Wavelet Transformation (DWT), där
de diskreta tidsskalorna är tidsintervall, och där steget från en tidsskala till den
nästföljande skalan sker på ett systematiskt sätt så att informationen med
tidsskalan k delas upp med hjälp av ett filter med låg genomsläpplighet (Low
pass filter, LP-filter) och annat filter med hög genomsläpplighet (High pass filter,
HP-filter), allt illustrerat i Figur 3.1. Den information som passerar LP-filtret kan
därefter på nytt separeras med ett LP- och HP-filter för tidsskalan k+1, där
tidsskalan k+1 avser mer ”långsiktiga” fenomen än skalan k.2
Den beskrivna ansatsen kan till exempel tillämpas för att analysera två tidsserier
för (i) Sveriges årliga BNP och (ii) Sveriges årliga exportvärde. För just dessa
tidsserier skulle vi kunna starta med en ännu finare tidsskala, nämligen månads-
statistik, men vid analysen av infrastrukturvariabler finns bara årsbaserade
serier. De två serierna över BNP och export följer enligt Figur 1.1 ett tidsmönster
där det tycks finnas vågor av olika frekvens som är lagrade över varandra.
Waveletteknikens uppgift är att identifiera dessa vågor. En analys av exportens
påverkan på BNPs utveckling är en bra referens, eftersom det finns klara
föreställningar om att exporten påverka BNPs tillväxt positivt, ofta uttryckt som
exportledd tillväxt. .
Den version av DWT som används i de följande analyserna har benämningen
MODWT, som kan utläsas som ”maximal overlap DWT” (Percival and Walden,
2000). Denna ansats innebär att vi får lika många observationer på en långsam
tidsskala som på en snabb. Det betyder till exempel att med N årsvisa
observationer, kan vi konstruera en filtrerad tidsserie som består av
genomsnittsvärden för N stycken 4-årsintervall.
2 Waveletanalysens begrepp och angreppssätt redovisas på ett lättillgängligt sätt i
Schleicher (2002)
28
3.2 Analysens tidsintervall I den följande analysen används årsdata som går långt tillbaka till 1800-talets
första hälft. Den primära tidsserien är observationer av värdet på BNP i fasta
priser. De övriga tidserierna är följande:
X = Exportens värde
A = Anläggningsverksamhetens förädlingsvärde
T = Transport- och kommunikationstjänsternas förädlingsvärde
J = Järnvägarnas förädlingsvärde
V = Investeringar i och underhåll av vägar
I = Investeringar i byggnader och anläggningar
Dessa ursprungliga tidsserier transformeras till följande uppsättning tidsserier (i)
ursprungliga årsdata, (ii) genomsnitt för tvåårsperioder, (iii) genomsnitt för
fyraårsperioder, och (iv) genomsnitt för åttaårsperioder. Som visas i Figur 3.1
skapas de nya tidsserierna (nivå 1-3) genom stegvis filtrering som resulterar i
skalkoefficienter (scaling coefficients) och waveletkoefficienter, där de förra
återger en utjämnad version av tidsserien på närmast tidigare nivå, och där de
senare fångar differenserna. Det innebär att vi kan tala om en ”perfekt”
dekomponering av en tidsserie – i den meningen att om tidsserien är uppdelad i
k nivåer av skal- och waveletkoefficienter, kan den ursprungliga tidsserien
återskapas genom att man sammanför informationen från de k nivåerna.
Figur 3.1 illustrerar tillvägagångssättet när MODWT tillämpas. Figuren visar hur
en ursprunglig tidsserie uppdelas på tre nivåer, där den första
nivån avser tidsintervallet 2 år, den andra nivån tidsintervallet 4 år och den tredje
nivån tidsintervallet 8 år. Den ursprungliga serien avser ettårsintervall.
Filtreringsprocessen kan sammanfattas på följande sätt:
På nivå 1 filtreras en tidsserie fram med alla möjliga sammanhängande
(konsekutiva) 2-årsgenomsnitt som kan bildas från de ursprungliga
observationerna, där varje nybildad observation är uppdelad i ett
intervallgenomsnitt och avvikelsen från genomsnittet. Den nya tidsserien
av genomsnitt består av värden för intervallen (t, t+2), (t+1, t+3), (t+2,
t+4), osv. Differenserna läggs åt sidan, eftersom de inte innehåller någon
strukturinformation.
På nivå 2 sker en ny filtrering som ger en ny tidsserie som består av alla
möjliga sammanhängande 4-årsinterall. Den nya filtrerade tidsserien
består av (i) genomsnitt för intervall som (t, t+4), (t+1, t+5). (t+2, t+6). osv.
Differenserna läggs på nytt åt sidan.
På nivå 3 filtreras fram en ny tidsserie av alla möjliga sammanhängande
8-årsinterval, på nytt uppdelade i genomsnitt och avvikelser för varje
tidsintervall.
När två olika tidsserier filtrerats enligt ovan kan vi undersöka om de svänger i
takt med varandra på alla eller på någon av nivåerna. Det kan vara så att två
tidsserier har gemensamma långa svängningar på nivå 3, samtidigt som de inte
29
är synkroniserade på de kortare tidsintervallen. Vi kan också, som visas i
följande delavsnitt, undersöka om det finns samband som gör att en tidsserie på
en viss nivå orsakar den andra tidsserien på samma nivå. Alldeles speciellt kan
vi undersöka om infrastruktur- och transportvariabler på nivå 1 påverkar BNP-
nivåns tidsserie på nivå 3. I det senare fallet ställs således frågan: Har kortsiktiga
transportfenomen långsiktiga verkningar för den ekonomiska aktivitetsnivån?
Figur 3.1 Waveletanalys med tre filtreringsnivåer enligt MODWT-metoden
I avsnitt 5 genomförs empiriska analyser av Grangerkausalitet. I dessa analyser
används följande beteckningar för de olika tidsintervallen:
D1 anger tidsserier med 1-årsintervall. D2 anger tidsserier med 2-årsintervall, efter första nivåns filtrering. D3 anger tidsserier med 4-årsintervall, efter andra nivåns filtrering. D4 anger tidsserier med 8-årsintervall, efter tredje nivåns filtrering.
3.3 Grangerkausalitet Kausalitet avser en koppling mellan en variabel vars värde anses orsaka värdet
på en annan variabel. I den formulering av kausalitetsbegreppet som används
här är grundantagandet att den orsakande variabeln tidsmässigt skall föregå den
orsakade variabeln. Denna precisering används numera flitigt inom national-
ekonomisk forskning och myntades i slutet av 1969 i en artikel skriven av
nobelpristagaren Clive Granger och kallas följaktligen för Grangerkausalitet
(Granger, 1969). Det första kravet han ställde för att en tidsserie X ska anses
orsaka en effekt i en annan tidsserie Y är att orsaken i X kommer före effekten i
Tidsserie med N observationer av variabeln X
LP-filter ger genomsnitt för X med N 2-
årsobservationer; 1v = skalkoefficienter
nivå 1
HP-filter genererar avvikelser för X med
N 2-årsobservationer; 1w =
Waveletkoefficienter på nivå 1
LP-filter ger genomsnitt för X med N 4-
årsobservationer; 2v = skalkoefficienter
på nivå 2
HP-filter ger avvikelser för X med N 4-
årsobservationer; 2w =
Waveletkoefficienter på nivå 2
LP-filter ger genomsnitt för X med N 8-
årsobservationer; 3v = skalkoefficienter
på nivå 3
HP-filter ger avvikelse för X med N 8-
årsobservationer; 3w =
Waveletkoefficienter på nivå 3
30
Y och att denna orsak enbart återfinns i tidsserie X. Detta begrepp används i den
följande analysen för att undersöka om det finns något samband mellan BNP
och olika infrastruktur- och transportsystemvariabler, där de senare omfattar
variabler som investeringar i vägar, anläggningsverksamhetens förädlingsvärde,
och transport- och kommunikationstjänsternas förädlingsvärde. Det angreppssätt
som tillämpas beskrivs av ekvationssystemet i (3.1) och innebär att vi
genomgående estimerar följande bivariata VAR(K) modell3 genom minsta
kvadratmetoden:
(1) (1) (2) (2)
01 1 211 12 11 12
(1) (1) (2) (2)02 1 221 22 21 22
( ) ( )111 12
( ) ( )221 22
BNP BNP BNP
t t t
I I I
t t t
BNPK Ktt K
IK Ktt K
d d d
d d d
ud
ud
(3.1)
Våra analyser har två dimensioner. Den första innebär att vi undersöker hur olika
infrastruktur- och transportvariabler påverkar BNP. Den andra innebär att vi även
utröner i vilken grad det finns ett mönster av återkopplingar som innebär att BNP
påverkar olika infrastruktur- och transportvariabler. I det första fallet estimeras
BNP-effekter och i det andra återkopplingseffekter.
Den första variabeln i (3.1) är alltid BNP och den andra är någon av flera olika
variabler som avser någon av transportvariablerna A, T, J, V eller I. Dessutom
finns skattningar där BNP ställs mot det samlade exportvärdet. Antalet laggar (K)
i VAR-modellen bestäms i följande tre steg:
Först tillämpas informations kriteriet SIC enligt Schwarz (1978)
I andra steget används informationskriteriet HQ enligt Hanna and Quinns
(1979)
I ett tredje steg genomförs ett LM-test för autokorrelation och om testet
fortfarande är signifikant används avslutningsvis informationskriteriet AIC
enligt Akaikes (1971)
När laglängden för VAR-modellen är bestämd så testar vi för Grangerkausalitet
genom att utvärdera en nollrestriktion i varje linjär ekvation i VAR modellen:
t
K
k
I
kt
kK
k
BNP
kt
kBNP
t uddd 1
1
)(
12
1
)(
1101
(3.2)
( ) ( )
02 21 22 2
1 1
K KI k BNP k I
t t k t k t
k k
d d d u
(3.3)
Prövningen av om enskilda infrastrukturvariabler Grangerorsakar BNP går till
väga så att man testar om alla
-parametrar är lika med noll. Om så inte är
fallet föreligger Grangerkausalitet. För att testa om BNP Grangerorsakar
infrastrukturvariablerna ska man testa om
-parametrarna är lika med noll. För
3 VAR är en akronym för ”vector autoregression”
31
att klargöra exportens påverkan på BNP skall hypotesen i (3.4) utvärderas. Återkopplingen från BNP till exportutveckling undersöks genom att pröva hypotesen i (3.5).
H0: alla
är lika med noll (3.4)
H0: alla
är lika med noll (3.5)
Detta görs genom följande F-test:
u
ur
s
ss
KF
där är lika med antalet frihetsgrader och sr och su är lika med kvadratsumman
av residualerna för modellen med restriktionen respektive utan restriktionen. Om
hypotesen i (3.4) förkastas, föreligger Grangerkausalitet, och om hypotesen i
(3.5) förkastas finns en omvänd Grangerkausalitet. Förkastas båda hypoteserna
föreligger ömsesidig påverkan.
Antag nu att vi har kunnat fastställa att variabel A Grangerorsakar variabel Y, där
A betecknar anläggningsverksamhetens förädlingsvärde och där Y anger BNP-
nivån. Denna kunskap är inte tillräcklig för att göra påståendet att en ökning av A
genererar en ökning av Y. Det behövs ytterligare analys för att precisera om A
stimulerar till ökning av Y. Skälet till att det behövs ytterligare analys har att göra
med laggstrukturen i ekvation (3.2) och (3.3). Slutsatserna om tecknet på hur A
påverkar Y gäller också hur förändringar i Y återkopplar till förändringar i A.
3.4 Impulsresponsmönster Testet av Grangerkausalitet i samspelet mellan till exempel BNP och
exportvärde kan ge svar på frågan om exporten Grangerorsakar BNP eller inte.
Men i ekvationen i formel (3.2) har normalt vissa - parametrar positiva och
andra negativa värden. När parametrarna har olika tecken, krävs ytterligare
analys för att klargöra om ökad export genererar växande BNP eller om det
omvända gäller. Det finns två fall när denna tilläggsanalys inte behövs:
(i) Det första fallet är när det bara finns en tidslagg. (ii) Det andra fallet är när alla - parametrar har samma tecken.
För analysen av återkopplingseffekter klarar man sig utan tilläggsanalys (i) när
det bara finns en tidslag och (ii) när alla -parametrar har samma tecken.
När -parametrarna har olika tecken erbjuds hjälp från så kallade impuls-
responsfunktioner, som kan användas för att utröna om BNP-effekten (BNP-
responsen) är positiv eller ej, liksom om återkopplingseffekten är positiv eller ej. I
en sådan analys använder man den VAR-modell som estimerats utan
restriktioner, där kovariansmatrisen ortogonaliseras med hjälp så kallad
32
Choleskydekomponering4. På detta sätt erhålls en responsfunktion som anger
tecknet på den respons som följer på en positiv förändring (impuls) av den
orsakande variabeln – med hänsyn till den lagg som skall matcha en
waveletskala. Följande kriterium tillämpas:
Impulsresponsfunktionen anses vara signifikant skild från noll om den
uppnår sitt nollvärde utanför två standardavvikelser, givet att
standardfelen beräknas från 100 Monte-Carlokörningar.
Rent praktiskt kommer vi att för berörda variabler genomföra beräkningar enligt
Figur 3.2, som illustrerar hur en impuls i en orsakande variabel genererar ett
responsmönster över tiden i den påverkade variabeln. Responsmönstret kommer
att återges i responsgrafer eller responsdiagram. Beräkningen av en impuls-
responsfunktion kan tolkas som att orsaksmönstret simuleras med hjälp av det
estimerade kovariansmönstret. Responsvärdet kalkyleras som en standard-
avvikelse från den ortogonala kovariansmatrisen.
Figur 3.2 Beräkning av en impuls-responsfunktion
Figur 3.2 kan avse hur variabel A påverkar värdet på variabel Y över en sekvens
av år. Antag att så är fallet. Då blir nästa fråga: Hur återkopplar förändringen av
Y till förändringar av A? För att klargöra återkopplingens tecken används på nytt
metoden att beräkna en impulsresponsfunktion för återkopplingskausaliteten.
Sättet att beräkna en impulsresponsfunktion för återkopplingar illustreras i Figur
3.3.
Figur 3.3 Beräkning av en impuls-responsfunktion för återkopplingseffekter
4 Se Lütkepohl för mer information om Choleskydekomponering och multipel
tidsserieanalys
Kovariansmatris för en VAR-modell som estimerats utan restriktioner – enligt ekvation (3.2)
Impuls i den orsakande transport-variabeln
Respons (över en sekvens av år) i den orsakade (påverkade) variabeln BNP
Kovariansmatris för en VAR-modell som estimerats utan restriktioner – enligt ekvation (3.3)
Impuls i den påverkade variabeln som är BNP
Respons (över en sekvens av år) i den orsakande transport-variabeln
33
4 Hur samspelar förädlingsvärdet av transporttjänster och anläggningsverksamhet med BNP?
I avsnitt 4 undersöker vi om BNP Grangerpåverkas av två variabler som avses
mäta omfattningen av transporttjänster: (i) samlat förädlingsvärde i sektorn
transport- och kommunikationstjänster (T-tjänster), och (ii) förädlingsvärdet i
järnvägssektorn (J-tjänster). Genomgången visar att T-tjänsternas förädlings-
värde inte orsakar BNP, vilket däremot J-tjänsternas förädlingsvärde gör,
samtidigt som vi noterar att J-tjänsternas förädlingsvärde är en del av
T-tjänsternas. Vi undersöker också om det finns signifikanta återkopplingar, där
T- och J-variablerna orsakas av BNP.
Vidare undersöks samspelet mellan förädlingsvärdet i anläggnings- och
byggverksamheten (A-verksamheten) och BNP. Detta aggregerade förädlings-
värde har inte någon signifikant inverkan på BNP, men påverkas av en
återkoppling från BNP.
Vi inleder analysen med att visa att exportvärdet Grangerpåverkar BNP positivt,
samtidigt som BNP inte har någon tydlig påverkan på exporten.
4.1 Tidsmönster för samspelet mellan
BNP och export Exporten har under en längre period vuxit som andel av BNP. Exporten kan
uppfattas som en del av den efterfrågan som stimulerar företag i landet att
producera. Innebär detta att exporten, X, orsakar BNP, Y, i betydelsen
Grangerkausalitet? Tabell 4.1 visar att en sådan koppling finns mellan X och Y
för alla fyra tidsintervallen D1- D4, även om riktningen av effekten är oklar för
tidsintervallet D3. Dessutom orsakar tidsserien X(D1) tidsserien Y(D4).
Dataserien som utnyttjats sträcker sig mellan 1830 och 2009, som anges i
Appendix1.
34
Tabell 4.1 innehåller följande fem olika påverkanssamband:
X(D1) → Y(D1) anger att D1-tidsserien för X påverkar D1-tidsserien för Y,
vilket betyder att 1-årssvängningar i X påverkar 1-årssvängningar i Y,
(4.1)
X(D2) → Y(D2) anger att D2-tidsserien för X påverkar D2-tidsserien för Y,
vilket betyder att 2-årssvängningar i X påverkar 2-årssvängningar i Y,
(4.2)
X(D3) → Y(D3) anger att D3-tidsserien för X påverkar D3-tidsserien för Y,
vilket betyder att 4-årssvängningar i X påverkar 4-årssvängningar i Y,
(4.3)
X(D4) → Y(D4) anger att D4-tidsserien för X påverkar D4-tidsserien för Y,
vilket betyder att 8-årssvängningar i X påverkar 8-årssvängningar i Y,
(4.4)
X(D1) → Y(D4) anger att D1-tidsserien för X påverkar D4-tidsserien för Y,
vilket betyder att 1-årssvängningar i X påverkar 8-årssvängningar i Y,
(4.5)
Tabell 4.1 Påverkan på BNP från rörelser i exportens värde
Exportens påverkan på BNP
Tecken BNPs återkoppling till exporten Tecken
X(D1) → Y(D1)* + Y(D1) → X(D1) ej signifikant
X(D2) → Y(D2)* + Y(D2) → X(D2 ej signifikant
X(D3) → Y(D3)* Väx Y(D3) → X(D3)*
X(D4) → Y(D4)* + Y(D4) → X(D4)*
X(D1) → Y(D4)* + Y(D1) → Y(D4) ej signifikant
Anm. (*) anger signifikans på nivån 1%. När påverkan är entydigt positiv anges detta med (+). Beteckningen Väx anger att tecknet växlar. För BNPs återkoppling till exporten har inte någon impuls-responsfunktion beräknats.
Budskapet från Tabell 4.1 är att exportvärdets rörelser påverkar BNPs rörelser
för alla fem undersökta kausala samband. Det finns också inslag av kausala
återkopplingar avseende 4-års- och 8-årssvängningar, men med oklart tecken.
Genom att studera impulsresponsgraferna (se Figur 4.1-Figur 4.4) kan vi dra
följande slutsatser om exportens påverkan på BNP:
En ökning av exporten under ett 1-årsintervall ger en positiv stimulans till
ökad BNP-nivå för en sekvens av 1-årsintervall
En ökning av exporten under ett 2-årsintervall ger en positiv stimulans till
ökad BNP-nivå för en stegvis sekvens av 2-årsintervall5
En ökning av exporten under ett 8-årsintervall ger en positiv stimulans till
ökad BNP-nivå för en stegvis sekvens 8-årsintervall.
5 Stegvis sekvens av 2-årsintervall innebär att ett 2-årsgenomsnitt för intervallet (t, t+1) följs
av 2-årsgenomsnittet för perioden (t+1, t+2), osv.
35
En ökning av exporten under ett 1-årsintervall ger en positiv stimulans till
ökad BNP-nivå för en stegvis sekvens av 8-årsintervall.
Impulsresponsgrafen i Figur 4.1 visar att en 1-årsimpuls med ökad export ger
positiva stimulanser till ökad BNP-nivå under en räcka av åtta år. Diagrammet
visar att väntevärdet är positivt under en följd av år, inledningsvis mycket lågt för
att sedan bli högre. När responsvärdet därefter börjar växla tecken blir
innebörden att vi inte kan tolka sambandet på ett entydigt sätt.
Figur 4.1 Effekt från exportens 1-års svängningar på den årliga BNP-nivån
I Figur 4.2 återges effekterna på BNP-nivån av en förhöjd export under en 2-
årsperiod. BNP-effekten är positiv under en följd av år. Det finns tydliga likheter
mellan D1- och D2-diagrammen. I båda fallen har exportökningar en positiv
inverkan på BNP under en följd av år, samtidigt som riktningen på influensen blir
oklar efter 7 perioder för D2-sambandet
Figur 4.2 Effekten av 2-årssvängningar i exporten på BNP-nivån under en sekvens av år
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D1
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D2
36
Enligt Figur 4.3 ger en ökad exportnivå under en 8-årsperiod upphov till en svag
men tydlig ökning av BNP över en tidsräcka som är längre än 10 år. En sådan
långsiktigt förhöjd exportnivå tar lång tid på sig innan små positiva (8-årslånga)
BNP-effekter följer. Dessa är inte stora men tydliga till sin riktning.
Figur 4.3 Effekten av 8-årssvängningar i exporten på BNP-nivån under en följd av år
Figur 4.4 säkerställer att en årlig uppgång i exportvärdet har en svag men
långsiktigt bestående uppgång av BNP. Man kan också säga att figuren
förstärker innebörden av det budskap som finns i Figur 4.1. Exportens årliga
förändring har en både kortsiktig och långsiktig inverkan på BNP-nivån.
Figur 4.4 Effekten av 1-års svängningar i exporten på BNP-nivån för en stegvis sekvens av 8-årsperioder
Sammantaget finns således en bild där exportens 1-års-, 2-års- och 8-års-
svängningar i exportflödets storlek ger en positiv effekt på BNP-nivån för
motsvarande intervall. Det finns dessutom en långsiktig effekt på BNP-nivån från
exportens kortsiktiga rörelser.
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D4
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
EXP till BNP
37
4.2 BNPs samspel med transport- och
kommunikationstjänsternas
förädlingsvärde Produktionen inom sektorn transport och kommunikation är i den följande
analysen uppmätt som förädlingsvärdet från bantrafik, kollektivtrafik, luftfart,
postverksamhet, sjöfart, televerksamhet och vägtrafik. Vi har tidigare
argumenterat att transporttjänster är en härledd efterfrågan som kan antas
påverkas positivt av BNPs utveckling. Figur 4.5 ger en indikation om att så är
fallet, genom att visa att transport- och kommunikationstjänsternas
förädlingsvärde utvecklas parallellt med BNP.
Figur 4.5 Utveckling av BNP och transport- och kommunikationstjänsternas förädlingsvärde (TrKo =T). Index 1830 = 100. Källorna anges i Appendix 1
Som framgår av Tabell 4.2 finns inget stöd för att T-tjänsternas förädlingsvärde
påverkar BNP-nivån, varken positivt eller negativt. Däremot finns en påverkan
från BNP till T-tjänsterna. Denna påverkan är signifikant både för de korta
tidsintervallen D1 och D2, och för de två längre intervallen D3 och D4. För de två
kortare intervallen är den påverkande riktningen växlande. För de längre
tidsintervallen påverkar BNP T-tjänsternas förädlingsvärde i negativ riktning. Det
betyder att mer bestående BNP-ökningar har en dämpande effekt på
T-tjänsternas mer långsiktiga utveckling. Innebörden är att en medel- och
långsiktig ökning av BNP inte stimulerar till medel- och långsiktig höjning av
T-tjänsternas förädlingsvärde. T-tjänsternas tillväxt bör då istället vara
sammankopplad med ökade insatsleveranser från andra sektorer till
produktionen av T-tjänster.
0
2 000
4 000
6 000
8 000
10 000
12 000
14 000
16 000
18 000
18
30
18
40
18
50
18
60
18
70
18
80
18
90
19
00
19
10
19
20
19
30
19
40
19
50
19
60
19
70
19
80
19
90
20
00
BNP TrKo
38
Tabell 4.2 Påverkan på BNP (Y) från rörelser i transport- och kommunikationstjänsternas förädlingsvärde (T)
T-tjänsternas påverkan på BNP
Tecken BNPs återkoppling till T-tjänsterna
Tecken
T(D1) → Y(D1) ej signifikant Y(D1) →T(D1)* Väx
T(D2) → Y(D2) ej signifikant Y(D2) →T(D2)* Väx
T(D3) → Y(D3) ej signifikant Y(D3) → T(D3)* -
T(D4) → Y(D4) ej signifikant Y(D4) → T(D4)* -
T(D1) → Y(D4) ej signifikant Y(D1)→ T(D4) ej signifikant
Anm. (*) anger signifikans på nivån 1%. När påverkan är entydigt positiv anges detta med (+)
Enligt Tabell 4.2 har långsiktiga BNP-förändringar en signifikant påverkan på T-
tjänsternas långsiktiga värde. Detta samband finns för både D3- och D4-
tidsintervall. Figur 4.6 återger effekter med D3-intervall och visar att ökad BNP-
nivå för ett 4-årigt tidsintervall följs av en dämpning av T-tjänsternas
förädlingsvärde. Detta samband bör tolkas som att insatserna från andra
sektorer till T-sektorn ökar med förhöjd BNP-nivå.
Figur 4.6 Impulsresponsfunktion avseende D3-impuls från BNP till T-tjänsternas nivå med D3-tidsintervall
Figur 4.7 återger långsiktiga effekter på T-sektorns förädlingsvärde av en
långsiktig (8-årig) förhöjning av BNP. Under en sekvens av år som är längre än
ett decennium är effekten negativ, vilket bör betyda en högre BNP-nivå
genererar en teknikväxling i T-sektorn som innebär att förädlingsgraden i sektorn
sänks. En sådan teknikväxling är förenlig med införandet av arbetsbesparande
teknik och ”outsourcing” av produktion som förläggs till företag utanför T-sektorn.
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D3
39
Figur 4.7 Impulsresponsfunktion avseende D4-impuls från BNP till T-tjänsternas nivå med D4-tidsintervall.
4.3 BNPs samspel med järnvägarnas
förädlingsvärde Järnvägarnas kapacitet att producera gods- och persontransporttjänster kan
mätas på flera alternativa sätt. Om vi vill ha en lång och ändock meningsfull
tidsserie, finns järnvägarnas förädlingsvärde att tillgå. När detta värde ökar
långsiktigt innebär det att produktionen av järnvägstjänster växer, men det är
också en indikation om ökad kapacitet i järnvägssystemet.
Med generösa signifikanskrav (10%) har järnvägsvariabeln, J, en signifikant
påverkan på BNP-nivån för samtliga tidsskalor, inklusive samband mellan
kortsiktiga rörelser i J-variabeln och långsiktig rörelse i Y-variabeln. För
återkopplingssambanden finns ett tydligt mönster endast för 8-årsintervallet, där
Y-nivån påverkar J-variabeln som en negativ återkoppling, vilket betyder att en
långsiktig ökning av BNP verkar dämpande på järnvägstjänsternas långsiktiga
utveckling, mätt i förädlingsvärde. Denna konsekvens är förenlig med
”outsourcing” av produktion som tidigare ombesörjdes av företag inom
järnvägssektorn.
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D4
40
Tabell 4.3 Påverkan på BNP från rörelser i järnvägarnas förädlingsvärde
Järnvägarnas förädlingsvärdes påverkan på BNP
Tecken BNPs återkoppling till järnvägarnas förädlingsvärde
Tecken
J(D1) → Y(D1)** Väx Y(D1) →J(D1) ej signifikant
J(D2) → Y(D2) *** Väx Y(D2) →T(D2)*** Väx
J(D3) → Y(D3) ** + Y(D3) → J(D3) ej signifikant
J(D4) → Y(D4)* + Y(D4) → J(D4)* -
J(D1) → Y(D4) * + Y(D1)→ J(D4) ej signifikant
Anm. (*) anger signifikans på nivån 1%, medan (**) och (***) anger signifikansnivån 5% och 10%, respektive. När påverkan är entydigt positiv anges detta med (+).Beteckningen ”Väx” anger att tecknet växlar.
Järnvägsproduktionen är sammansatt genom att avse dels persontransporter
inklusive tjänsteresor, dels varutransporter som växer när exporten ökar.
Huvudobservationen i Tabell 4.3 är att järnvägarnas förädlingsvärde har en
positiv Grangerpåverkan på BNP för de långa vågorna D3 och D4, med stark
signifikans för skalan D4. Dessutom har de kortsiktiga rörelserna i J-variabeln en
signifikant långsiktig påverkan på BNP. Dessa påverkansmönster beskrivs i
Figur 4.8 - Figur 4.10 med impulsresponsgrafer. Samtliga impulsresponsbilder
återges i Appendix 2. Följande samband är starkt signifikanta:
Långa rörelser (8-årsintervall) av järnvägarnas förädlingsvärde Granger-
påverkar signifikant och positivt BNPs långa vågrörelse. Det betyder att
en bestående ökning av järnvägarnas förädlingsvärde medför en
bestående uppgång av BNP-nivån.
Korta rörelser (1-årsintervall) av järnvägarnas förädlingsvärde
Gangerpåverkar signifikant och positivt BNPs långa vågrörelse.
Innebörden av detta är att en tillväxt av järnvägarnas förädlingsvärde
under ett år har långsiktigt bestående positiva effekter på BNP-nivån.
Figur 4.8 redovisar impulsresponssamband för den 4-åriga tidsskalan (D3), där
impulsen kommer från järnvägssystemets förädlingsvärde och där effekten avser
BNP-nivån för en sekvens av 4-årsgenomsnitt. Som diagrammet visar är
responsen entydigt och starkt positiv, vilket är vår första indikation på att
järnvägssystemets produktionsnivå orsakar BNPs nivå.
41
Figur 4.8 Impulsresponsfunktion avseende impuls från BNP till J-tjänsternas förädlingsvärdenivå med D3-tidsintervall.
Figur 4.9 behandlar D4-tidsskalan för variablerna J-tjänster och BNP och visar
att en impuls från J-tjänsternas långsiktiga nivå har en positiv effekt på BNPs
långsiktiga nivå under en lång följd av år. Det stärker slutsatsen att J-tjänsterna
har en långsiktig effekt på BNP.
Figur 4.9 Impulsresponsfunktion avseende impuls från BNP till T-tjänsternas nivå ned D4-tidsintervall.
Figur 4.10 behandlar kortsiktiga rörelser i variabeln J-tjänster och hur sådana
impulser påverkar rörelsen i sekvensen av 8-årsgenomsnitten för BNP. Impuls-
responskurvan är svagt men entydigt positiv. Tillsammans med de föregående
slutsatserna innebär informationen i figur 4.10 att både kortsiktiga och långsiktiga
rörelser i J-tjänsternas nivå har långsiktiga effekter på BNP-nivån.
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D3
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D4
42
Figur 4.10 Impuls-responsfunktion avseende kortsiktig impuls från J-tjänsternas nivå till långsiktig D4-respons i BNP-nivå. .
4.4 BNPs samspel med anläggnings- och
byggverksamhetens förädlingsvärde Anläggningsverksamhet omfattar investeringar i och underhåll av infrastruktur
samt andra anläggningar inom bland annat transportsektorn. Det finns en
dataserie som sträcker sig från 1830 till 2009 över anläggnings- och bygg-
verksamhetens förädlingsvärde (bidrag till BNP), som betecknas med A. Vi
använder här måttet som en indikator på årliga åtgärder för upprätthållande av
och investeringar i infrastruktur och annan bebyggelse. Eftersom A-variabeln
omfattar alla former av byggande ger den ingen specifik information om
byggandet av infrastruktur för transporter. Dessutom ger sektorns förädlings-
värde bara en oprecis indikation om det totala värdet av uppförda anläggningar
och andra bygginvesteringar. Frågan är således om byggnads- och anläggnings-
verksamhetens förädlingsvärde representerar bygginvesteringarnas storlek.
Enligt Tabell 4.4 har tidsserien för variabeln A inte någon signifikant inflytande på
tidsserien för Y (BNP). Denna slutsats gäller för samtliga tidsintervall. Däremot
finns det en återkoppling, där Y-variabeln har en signifikant påverkan på
A-variabeln. Denna påverkan har inte undersökts med avseende på riktning. Vi
nöjer oss med att konstatera att rörelserna i A-variabeln inte påverkar rörelserna
hos BNP-nivån varken med snabba eller långsamma tidsskalor.
Resultaten i tabellen ställer en del frågor? Är det så att förädlingsvärdet i
A-sektorn inte fångar storleken hos investeringar och kapacitetsförändringar i
A-sektorn. För att svara på detta genomförs en analys av bygg- och
anläggningsinvesteringar i delavsnitt 6.2. Det visar sig då att det finns långsiktig
påverkan från A-investeringar till BNP. Vidare särbehandlas väginvesteringar,
som är en delmängd av A-investeringar, i delavsnitt 6.2. Även en sådan
dekomponering av A-sektorn visar sig fruktbar.
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
JV till BNP
43
Tabell 4.4 Påverkan på BNP från rörelser i anläggningsverksamhetens förädlingsvärde
Anläggningsverksamhetens påverkan på BNP
Tecken BNPs återkoppling till anläggningsverksamheten
Tecken
A(D1) → Y(D1) ej signifikant Y(D1) →A(D1)*
A(D2) → Y(D2) ej signifikant Y(D1) →A(D1)*
A(D3) → Y(D3) ej signifikant Y(D3) →A(D3)*
A(D4) → Y(D4) ej signifikant Y(D4) → A(D4)*
A(D1) → Y(D4) ej signifikant Y(D1)→ A(D4)*
Anm. (*) anger signifikans på nivån 1%. När påverkan är entydigt positiv anges detta med (+)
44
45
5 Kausalitet mellan investeringar i infrastruktur och BNP
I avsnitt 5 görs en genomgång av ett antal olika variabler som återspeglar
volymen och kapaciteten hos transportsystemet. De bakomliggande
kapacitetsnivåerna är en följd av omorganisation av befintliga system och av
investeringar i olika system. I avsnitt 6 används två variabler som på ett direkt
sätt mäter storleken på investeringar och kapacitetsunderhåll. Den första
variabeln, betecknad med V, gäller underhåll och investeringar i vägsystemet,
medan den andra variabeln, I, avser aggregerade investeringar i anläggningar
och byggnader. Förväntningarna är att dessa investeringsvariabler skall visa ett
tydligare samspel med BNP.
5.1 BNPs samspel med investeringar i
och underhåll av vägar De nationella anslagen till väghållning skiljer mellan (i) investering i nationella
och regionala vägar, (ii) bärighetsåtgärder och rekonstruktion, (iii) drift och
underhåll, samt (iv) ett antal mindre åtgärdsposter. Hur stor del av dessa poster
bör ingå i ett mått på bruttoinvesteringar i vägsystemet? För vår analys framstår
det som meningsfullt att inkludera både kapacitetsbevarande och
kapacitetsökande åtgärder i ett mått på bruttoinvesteringar.
Med ovanstående utgångspunkt kan landets samlade bruttoinvesteringar
uppfattas som summan av (i) och (ii) samt underhållsdelen av (iii). Den variabel,
V, som används i detta delavsnitt är beräknad som V = (i)+ (ii) + (iii). Under
2000-talet har kvoten [(i) + (ii)]/ [(i) + (ii) + (iii)] legat runt 45 procent. Under delar
av 1990-talet låg motsvarande värde klart över 50 procent.
Tidsserien för variabeln V sträcker sig mellan åren 1906 till 2008, vilket illustreras
i Figur 5.1. Diagrammet tydliggör att perioden för utbyggnad av vägar skedde
efter slutet av andra världskriget, då tillväxten av både fraktfordon och person-
fordon växte snabbt under tre årtionden.
46
Figur 5.1 Tidsserie för fastprisberäknade värden avseende BNP och investeringar i och underhåll av vägar. Indexvärde = 100 vid startåret för båda variablerna. Källorna för de två tidsserierna anges i Appendix 1.
Tabell 5.1 redovisar förekomsten av kausalitet i samspelet mellan V-variabeln
och BNP. Med tidsintervallen D2, D3 och D4 finns på lägre signifikansnivå en
positiv påverkan från V-variabeln på BNPs nivå. Det som vi särskilt
uppmärksammar är emellertid att kortsiktiga variationer i V-variabeln har
signifikanta, långsiktiga och positiva effekter på BNP-nivån. Det finns samtidigt
en återkoppling från kortsiktiga rörelser i BNP som har långsiktiga och positiva
effekter på V-variabeln. Långsiktig tillväxt i BNP (8-årsgenomsnitt) har däremot
en dämpande effekt på V-variabelns 8-årsgenomsnitt, vilket i första hand åter-
speglar att förloppen inte är explosivt självförstärkande.6 Återkopplingen är
istället dämpande.
Tabell 5.1 Påverkan på BNP från rörelser i investeringar i och underhåll av vägar
Påverkan på BNP från investeringar och underhåll i vägar
Tecken BNPs återkoppling till vägars investeringar och underhåll
Tecken
V(D1) → Y(D1)* Väx Y(D1) →V(D1) ej signifikant
V(D2) → Y(D2)*** + Y(D2) →V(D2)*** Väx
V(D3) → Y(D3)** + Y(D3) →V(D3) ej signifikant
V(D4) → Y(D4)** + Y(D4) →V(D4)* -
V(D1) → Y(D4)* + Y(D1)→ V(D4)* +
Anm. (*) anger signifikans på nivån 1%, medan (**) och (***) betecknar signifikansnivåerna 5% och 10 %, respektive. När påverkan är entydigt positiv anges detta med (+). Med (Väx) anges att tecknet växlar.
6 För att ytterligare klargöra återkopplingarna från BNP (Y) till V-variabeln krävs en
utvidgad analys som behandlar samband av följande slag Y(D1) →V(D2), Y(D1) →V(D3), Y(D2) →V(D3), Y(D2) →V(D4), och Y(D3) →V(D4),
0
500
1 000
1 500
2 000
2 500
3 000
3 500
4 000
1906 1916 1926 1936 1946 1956 1966 1976 1986 1996 2006
BNP Vg
47
Vägvariabelns 2-årsgenomsnit påverkar BNPs 2-årsgenomsnitt i positiv riktning,
men på låg konfidensnivå (10%). Från Figur 5.2 kan vi ändå konstatera att den
simulerade stimulansen är positiv, men främst efter 3 års tid.
Figur 5.2 Effekten av 2-års svängningar i väginvesteringar och underhåll på BNP-nivån under en följd av år
I Figur 5.3 återges en impulsresponskurva från vägvariabeln till BNP med D3-
intervall. Detta samband är enligt Tabell 5.1 signifikant på nivån 5 procent.
Responskurvan visar hur ett förhöjt 4-årsgenomsnitt på V-variabeln orsakar ett
förhöjt 4-årsgenomsnitt på BNP-nivån.
Figur 5.3 Effekten av 4-års svängningar i väginvesteringar och underhåll på BNP-nivån under en följd av år
Även 8-årsgenomsnittet för V-variabeln har en signifikant (5%) och positiv
Grangereffekt på BNPs 8-årsgenomsnitt. Men som Figur 5.4 illustrerar är
responsen mycket svag de första fyra åren.
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D2
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D3
48
Figur 5.4 Effekten av 8-års svängningar i väginvesteringar och underhåll på BNP-nivån under en
följd av år
Kausalitetsanalysen som redovisas i tabell 5.1 klargör att kortsiktiga 1-års-
rörelser har signifikanta konsekvenser för BNPs 8-årsgenomsnitt. I Figur 5.5 kan
vi se att dessa effekter är entydigt positiva. Denna observation lånar sig till
följande hypotes:
Kortsiktiga ökningar i V-variabeln har signifikanta positiva effekter på
BNPs 8-årsgenomsnitt, vilket betyder att en uppgång i vägvariabeln ger
utrymme för en långsiktig höjning av BNP-nivån, och detta utrymme
behöver en lång tidsperiod för att förverkligas i ökad aktivitetsnivå i
ekonomin.
Kortsiktiga 1-årsökningar i V-variabeln Grangerorsakar 1-årsvärdet på
BNP, men inte med ett entydigt positivt tecken, utan med växlande
tecken. Det är däremot troligt att 1-årsökningar i V-variabeln har positiva
effekter på BNPs 4-årsgenomsnitt, även om detta samband inte har
undersökts.
Figur 5.5 Effekten av 1-års svängningar i väginvesteringar och underhåll på BNP-nivån för en följd av 8-årsgenomsnitt
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D4
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
VG till BNP
49
5.2 BNPs samspel med investeringar i
byggnader och anläggningar I avsnitt 5.1 utnyttjades V-variabeln som innefattar väginvesteringar. Den andra
investeringsvariabeln som den här analysen haft tillgång till är investeringar i
byggnader och anläggningar, betecknad med I. I avsnitt 5.4 behandlades
byggnads- och anläggningsverksamhetens förädlingsvärde. I avsnittet
analyseras värdet av investeringar i byggnader och anläggningar, vilket omfattar
investeringar i vägar som en del, men också investeringar i andra transport-
anläggningar. Investeringar i infrastruktur för transporter är en del av I-variabelns
värde, men inte en dominerande del. I-variabeln anger summan av alla
investeringar i byggnader för produktion, samhällsservice och boende, liksom i
olika försörjningssystem som vatten och avlopp. Det är ändå intressant att
genomföra analysen även för investeringar i byggnader och anläggningar, bland
annat för att se om sambanden för investeringar i och underhåll av vägar även
gäller för de aggregerade investeringar som utgör I-variabeln.7
Tabell 5.2 Påverkan på BNP från rörelser i investeringar i byggnader och anläggningar
Påverkan på BNP från investeringar i byggnader och anläggningar
Tecken BNPs återkoppling till investeringar i byggnader och anläggningar
Tecken
(D1) → Y(D1) ej signifikant Y(D1) → (D1) ej signifikant
(D2) → Y(D2) ej signifikant Y(D1) → (D1) ej signifikant
(D3) → Y(D3) ej signifikant Y(D3) → (D3)* +
(D4) → Y(D4)** + Y(D4) → (D4)* +
(D1) → Y(D4) ej signifikant Y(D1) → (D4) ej signifikant
Anm. (*) anger signifikans på nivån 1%, medan (**) och (***) betecknar signifikansnivåerna 5% och 10 %, respektive. När påverkan är entydigt positiv anges detta med (+). Med (Väx) anges att tecknet växlar.
Resultatet i Tabell 5.2 är tydliga i ett avseende. För 1-årsvärden och 2-års-
genomsnitt finns inte någon Grangerkausalitet varken för I-variabelns effekt på
BNP eller för återkopplingen från BNP till I-variabeln. Korta 1-årsrörelser i
I-variabeln påverkar inte rörelsen i BNPs 8-årsgenomsnitt, och korta
1-årsrörelser i BNP har inte någon signifikant påverkan av rörelsen hos
I-variabelns 8-årsgenomsnitt. Däremot finns en ömsesidig och självförstärkande
dynamik där
7 Johansson, B och Snickars F (2001) anger följande infrastrukturområden som kan
kopplas till bygg- och anläggningsinvesteringar: Vägar och terminaler, järnvägar och stationer, spårvägar och stationer, flygplatser och flygleder, hamnar och farleder, tele-, data- och andra kommunikationsnät, nätverk för vatten och energi, bostadsområden, arbetsområden och servicecentra.
50
BNPs 4-års- och 8-årsgenomsnitt orsakar (genom återkoppling)
I-variabelns stegvisa sekvens av 4-års-, respektive 8-årsgenomsnitt.
Samtidigt gäller att I-variabelns 8-årsgenomsnitt påverkar BNPs stegvisa
sekvens av motsvarande genomsnitt. Denna ömsesidighet återges i Figur
5.6.
Figur 5.6 Långsiktig ömsesidig dynamik för långa vågor av BNP och aggregerade investeringar i byggnader och anläggningar.
I Tabell 5.2 redovisas att 4-årsgenomsnitt för BNP har en signifikant och positiv
verkan på motsvarande genomsnitt för investeringar i byggnader och
anläggningar. Den positiva effekten över en sekvens av 4-årsgenomsnitt
illustreras i Figur 5.7.
Figur 5.7 Effekten av ett ökat 4-årsgenomsnitt i BNP på värdet av investeringari byggnader och anläggningar under en stegvis följd av 4-årsperioder
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D3
8-årsgenomsnitt för investeringar i byggnader och anläggningar ger positiv stimulans för 8-årsgenom-snitt för BNP-nivån.
4-årsgenomsnitt för BNP ger positiv stimulans för 4-årsgenomsnitt av investeringar i byggnader och anläggningar. 8-årsgenomsnitt för BNP ger positiv stimulans för 8-årsgenomsnitt av investeringar i byggnader och anläggningar.
51
Från Tabell 5.2 kan vi avläsa att 8-årsgenomsnitt för BNP har en signifikant och
positiv verkan på motsvarande genomsnitt för investeringar i byggnader och
anläggningar. Den positiva effekten på investeringar över en sekvens av
8-årsgenomsnitt illustreras i Figur 5.8.
Figur 5.8 Effekten av ett ökat 8-årsgenomsnitt i BNP på värdet av investeringar i byggnader och anläggningar under en stegvis följd av 8-årsperioder
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D4
52
53
6 Några slutsatser om svängningar i transportinvesteringar och BNP
I de föregående fem avsnitten har vi försökt belysa hur förändringar i de svenska
transportsystemen påverkar korta och långa rörelser i BNP-nivån. Den statistiska
analysen i avsnitt 5 fokuserar på olika transportverksamheters och investerings-
verksamheters förädlingsvärde, medan avsnitt 6 är inriktat på investeringar, dvs.
på åtgärder som syftar till att bibehålla och öka kapaciteten i transportsystemen.
6.1 Två variabler som mäter produktion
av transport- och
kommunikationstjänster Transportsystemens produktion, mätt som förädlingsvärde, har behandlats för
följande två variabler:
Transport- och kommunikationstjänsternas förädlingsvärde
Järnvägarnas förädlingsvärde
För den första variabeln som beskriver transport- och kommunikationstjänster
(T-tjänster) är slutsatserna mycket tydliga:
Kortsiktiga, medelsiktiga och långsiktiga ökningar av T-tjänsternas
förädlingsvärde har inte några signifikanta effekter på kortsiktig,
medelsiktig eller långsiktig utveckling av landets BNP.
Varken kort-, medel- eller långsiktig ökning av BNP ger någon tydlig
stimulans till ökade T-tjänster. Långsiktig ökning av BNP har en
dämpande effekt på T-tjänsternas utveckling.
54
Järnvägssystemets produktion av förädlingsvärde visar däremot på ett tydligt
samband med ekonomins tillväxt:
Kortsiktig ökning av järnvägarnas förädlingsvärde påverkar positivt BNPs
långsiktiga nivå.
En ökning av järnvägarnas genomsnittliga förädlingsvärde under en
4-årsperiod påverkar utvecklingen av BNPs stegvisa sekvens av
4-årsgenomsnitt.
En ökning av järnvägarnas genomsnittliga förädlingsvärde under en
8-årsperiod påverkar utvecklingen av BNPs stegvisa sekvens av
8-årsgenomsnitt. Långsiktig höjning av järnvägsaktiviteten medverkar
således till en långsiktig höjning av BNP-nivån. Långsiktig höjning av
BNP-nivån har samtidigt en dämpande effekt på järnvägarnas långsiktiga
produktionsnivå.
6.2 Aggregerade investeringar i
infrastruktur och byggd miljö Vår tredje variabel, A (anläggnings- och byggverksamhet), är liksom de två
tidigare mätt som förädlingsvärde. Den återspeglar aktiviteter som omfattar
investeringar i transportinfrastruktur, men också annat byggande. A-variabeln är
definierad som förädlingsvärde från verksamheter klassificerade som
anläggnings- och byggverksamhet. Detta förädlingsvärde återspeglar inte
storleken hos byggnads- och anläggningsinvesteringar i ekonomin.
Utvecklingen av A-variabeln har inte någon signifikant påverkan på BNP-nivåns
utveckling. Denna slutsats gäller kortsiktiga, medelsiktiga och långsiktiga
rörelser. Däremot finns för samtliga tidssamband en signifikant Grangerpåverkan
från BNP till anläggnings- och byggverksamhetens förädlingsvärde. För dessa
återkopplingssamband har inga impulsresponsmönster beräknats.
Variabeln V omfattar investeringar i vägar och underhåll av vägar. Denna
variabel Grangerpåverkar positivt BNPs årliga rörelse hos 4-års- och 8-års-
genomsnitt:
En uppgång av V-variabelns nivå under en 4-årsperiod påverkar positivt
BNP-nivån för en stegvis sekvens av 4-årsperioder. Denna positiva
påverkan är signifikant på nivån 5%.
En uppgång av V-variabelns nivå under en 8-årsperiod påverkar positivt
BNP-nivån för en stegvis sekvens av 8-årsperioder. Signifikansnivån är
5%.
En årlig uppgång av V-variabelns nivå påverkas positivt och signifikant
(1%) BNP-nivån under en sekvens av 8-årsperioder.
55
Detta mönster av tillväxtstimulans från vägsystemets kapacitet särskiljer inte
effekter av investeringar från effekter av underhåll. En rimlig gissning från den
befintliga dataserien pekar på att både underhåll och investeringar har en positiv
BNP-effekt. Med en större arbetsinsats kan denna gissning få ett statistiskt stöd.
Variabeln I utgör ett aggregat av alla investeringar i byggnader och anläggningar.
I-variabelns 1-års- och 2-årsrörelser påverkar inte BNPs motsvarande rörelser –
och dessa rörelser påverkas inte heller av motsvarande BNP-rörelser. Däremot
finns mer långsiktiga samspel mellan I-variabeln och BNP:
Med en långsam tidsskala där varje observation avser ett 4-årsintervall
finns det en signifikant (5%) påverkan från investeringar i byggnader och
anläggningar till BNPs rörelse på samma tidsskala. På denna tidsskala
finns också en positiv och signifikant (1%) återkoppling från BNP till
investeringsvariabeln.
Med den mest långsamma tidsskalan där varje observation avser
8-årsintervall finns en positiv och signifikant (1%) återkoppling från BNP
till investeringsvariabeln.
56
57
7 Referenser
Akaike,H. (1971) Autoregressive model fitting for control. Annals of the Institute
of Statistical Mathematics, 23(1), pp.163–180.
Almasri, A. and Shukur, G. (2008), Clustering Using Wavelet Transformations, in
C. Karlsson (ed), Handbook of Research on Cluster Theory, Edward Elgar,
Cheltenham, pp. 169-186.
Almasri, A. and Shukur, G. (2003), An Illustration of theCausality Relation
between Government Spending and Reveneu Usin Wavelet Analysis on
Finnish Data, Journal of Applied Statistics, 30:571-584.
Andersson, Å.E., Anderstig, C. and Hårsman, B. (1990), Knowledge and
Communication Infrastructure and Regional Economic Change, Regional
Science and Urban Economics, 20:359-376.
Anderstig, C. (1991), Infrastruktur och industrins produktionssamband, Pm nr. 4,
Regionplane- och Trafikkontoret, Stockholms läns landsting.
Aschauer, D.A. (2000), Do States Optimize? Public Capital and Economic
Growth, Annals of Regional Science, 34:343-364
Aschauer, D.A. (1989), Is Public Expenditure Productive? Journal of Monetary
Economics, 23:177-200.
Batten, D.F. and Karlsson, C., eds. (1996), Infrastructure and the Complexity of
Economic Development, Springer-Verlag, Berlin.
Carlio, G. and Mills, E.S. (1987), The Determinants of County Growth, Journal of
Regional Science, 27:39-54.
Cheshire, P. and Gordon, I. (1998), Territorial Competition: Some Lessons for
Policy, Annals of Regional Science, 32:321-346.
Cheshire, P. and Gordon, I., eds. (1995), Territorial Competition in an Integrating
Europe, Avebury, Aldershot.
Ciccone, A. and Hall, R.E. (1996), Productivity and Density of Economic Activity,
American Economic Review, 86:54-70.
Costa, J.S., Ellson, R.W. and Martin, R.C. (1987), Public Capital, Regional
Output, and Development: Some Empirical Evidence, Journal of Regional
Science, 27:419-437.
Duffy-Deno, K.T. (1991), Public Capital and the Factor Intensity of the
Manufacturing Sector, Urban Studies, 28:3-14.
Duffy-Deno, K.T. and Eberts, R.W. (1989), Public Infrastructure and Regional
Economic Development: A Simultaneous Equations Approach, Working
Paper 8909, Federal reserve Bank of Cleveland.
Fritsch, B. and Prud´homme, R. (1994), La Contribution des Infrastructure
Routières au Development de l´Économie et des Institutions Locales,
Université de Paris XII, Paris
Fujita, M. and Thisse, J-F. (2002), Economics of Agglomeration – Cities,
Industrial Location, and Regional Growth, Cambridge University Press,
Cambridge, UK
Granger, C. (1988), Investigating Causal Relations by Econometric Models and
Cross-Spectral Methods, Econometrica, 37:424-438.
58
Hannan, E. J. & Quinn, B. G. (1979) The determination of the order of an
autoregressive. Journal of the Royal Statistical Society, B41, pp. 190–195.
Harcourt, G.C. and Laing, N.F., eds. (1971), Capital and Growth, Penguin Books,
Harmondsworth.
Holmberg, I., Johansson, B. and Strömquist, U. (2003), A Simultaneous Model of
Long-Term Regional Job and Population Changes, in Å.E. Andersson, B.
Johansson and W.P. Anderson (eds), The Economics of Disappearing
Distance, Ashgate, Aldershot, pp. 161-189.
Hulten, C,R. and Schwab, R.M. (1991), Public Capital Formation and the Growth
of Regional Manufacturing Industries, Part I, National Tax Journal, 44:121-
134.
Johansen, S. (1988), Statistical Analysis of Cointegration Vectors, Journal of
Economic Dynamics and Control, 12:231-254.
Johansson, B., Klaesson, J., Månson, K. och Wixe, S. (2010), Storstadsregioner
och ekonomins utveckling, JIBS Research Report Series No. 2010-1.
Jönköping International Business School.
Johansson, B. (2008), Transport Infrastructure Inside and Across Urban
Regions: Models and Assessment Methods, in The Wider Economic Benefits
of Transpoortation, in The Wider Economic Benefits of Transport – Macro-,
Meso and Micro-Economic Transport Planning and Investment Tools,
International Transport Forum 140, OECD, Paris, 117-148.
Johansson, B. and Klaesson, J. (2007), Infrastructure, Labour Market
Accessibility and Economic Development, in C. Karlsson, W.P. Anderson, B.
Johansson, and K. Kobayashi (eds), The Management and Measurement of
Infrastructure, Edward Elgar, Cheltenham.
Johansson, B. och Snickars, F (2001), Ömsesidiga beroenden mellan
transportsystem, NUTEK, R 2001:6, Stockholm.
Johansson, B. (1993), Infrastructure, Accessibility and Economic Growth,
International Journal of Transport Economics, vol. 2, pp. 131-156.
Karlsson, C. (1994), Infrastruktur och samhällsekonomiska konsekvenser – En
kunskapsöversikt, i V. Jean-Hansen, B. Johansson och P. Maskell (eds),
Infrastruktur, lokaliseringsegenskaper och produktivitet, TemaNord 1994:624,
Nordisk Ministerråd, Köpenhamn, pp. 21-132.
Kobayashi, K. and Okumura, M. (1997), The Growth of City Systems with High-
Speed Railway Systems, Annals of Regional Science, 31:39-56.
Krugman, P. (1991), Geography and Trade, MIT Press, Cambridge, Mass.
Lakshmanan, T.R. (2008), The Wider Economic Benefits of Transpoortation, in
The Wider Economic Benefits of Transport – Macro-, Meso and Micro-
Economic Transport Planning and Investment Tools, International Transport
Forum 140, OECD, Paris, 51-68.
Lakshmanan, T.R. and Anderson, W.P. (2007a), Contextual Determinants of
Transport Infrastructure Productivity: The Case for a New Modeling Strategy,
in C. Karlsson, W.P. Anderson, B. Johansson and K. Kobayashi (eds), The
Management and Measurement of Infrastructure, Edward Elgar, Cheltenham,
pp25-46.
Lakshmanan, T.R. and Anderson, W.P. (2007b), Infrastructure and Productivity:
What are the Underlying Mechanisms?, in C. Karlsson, W.P. Anderson, B.
Johansson and K. Kobayashi (eds), The Management and Measurement of
Infrastructure, Edward Elgar, Cheltenham, pp147-164.
59
Lakshmanan, T.R. (1989), Infrastructure and Economic Transformation, in Å.E.
Andersson, D.F. Batten, B. Johansson and P. Nijkamp (eds), Advances in
Spatial Theory and Dynamics, North-Holland, Amsterdam, pp. 241-262. Lütkepohl, H. (2006), New introduction to multiple time series analysis, Springer-
Verlag Berlin
Lynde, C, and Richmond, J. (1991), The Role of Public Capital in Production,
Review of economics and Statistics,
Mera, K. (1975), Income Distribution and Regional Development, University of
Tokyo Press, Tokyo.
Mera, K. (1973a), Regional Production Functions and Social overhead Capital:
An Analysis of the Japanese Case, Regional and Urban economics, 3:157-
185.
Mera, K. (1973b), Trade-Off Between Aggregate Efficiency and Interregional
Equity: The Case of Japan, Regional and Urban Economics, 3:273-300.
Mills, E.S. and Carlino, G. (1989), Dynamics of County Growth, in Å.E.
Andersson, D.F. Batten, B. Johansson, and P Nijkamp (eds), Advances in
Spatial Theory and Dynamics, North-Holland, Amsterdam, pp.195-205.
Munell, A.(1990), Why has Productivity Growth Declined? Productivity and
Public Investment, New England Economic Review, pp 3-22.
Nadiri, M.I. and Mamuneas, T.P. (1996), Contribution of Highway Capital to
Industry and National Productivity Growth, Federal Highway Authority
Administration, Washington DC.
Nienhaus, M. (1991), Highways and Macroeconomic Productivity: Phase one:
The Current State of Research, Volpe National Transportation Systems
Center Final Report, Federal Highway Administration, Washington.
Nirkse, R. (1953), Problems of Capital Formation in Uderdeveloped Countries,
Oxford University Press, New York.
Rietveld, P. and Bruinsma, F.R. (1998), Is Transport Infrastructure Effective?,
Springer-Verlag, Berlin.
Rosenstein-Rodan, P.N. (1943); Problems of Industrialisation of Easrern and
South.Eastern Europe, Economic Journal, 53:202-211.
Sasaki, K., Kunihisa, S. and Sugiyama, M. (1995), Evaluation of Road Capital
and its Spatial Allocation, Annals of Regional Science, 29:143.154.
Sen, A. ed. (1970), Growth Economics, Penguin books, Hammondsworth.
Schleicher, C. (2002), An Introduction to Wawelets for Economicts, Bank of
Canada Working Paper 2002-3, Ottowa.
Schwartz, G. (1978) Estimating the dimension of a model. Annals of Statistics,
6(2), pp.461–464.
Solow, R. (1957), Technical Change and the Aggregate Production Function,
Review of Economics and Statistics, 39:312-320.
Wigren, R. (1985), Productivity and Infrastructure: An Empirical Study of
Swedish Manufacturing Industries and their Dependence on the Regional
Production Milieu, in F. Snickars, B. Johansson and T.R. Lakshmanan (eds),
Economic Faces of the Building Sector, Document D20:1985,
Byggforskningsrådet, Stockholm, pp 45-54.
Wigren, R. (1984), Measuring Regional Efficiency – a Method Tested on
Fabricated Metal Products in Sweden 1973-1975, Regional Science and
Urban Economics, 14:363-379.
60
Wigren, R. (1976), Analys av regional effektivitetsskillnader inom
industribranscher: En teori med tillämpning på svenska förhållanden,
Memorandum 58, Nationalekonomiska institutionen, Göteborgs universitet.
61
Appendix 1: Variabelöversikt och datakällor. Fasta priser 2000, milj. SEK
Tabell A1.1: Variabler som ingår i redovisade skattningarna av dynamiska samspel mellan BNP och transportsystemvariabler
Förkortning Förklaring
Y BNP Bruttonationalprodukt X EXP Exportvärde A ANL Anläggningsverksamhetens förädlingsvärde T TRKO Transport- och kommunikationstjänsternas förädlingsvärde V Vg Underhåll av och investeringar i vägar J Jg Järnvägarnas förädlingsvärde I InvAnl Investeringar i byggnader och anläggningar
63
Tabell A1.2: Variabeluppsättning och definitioner
Variabel Period Förklaring Källa
BNP 1830-2009 BNP till marknadspris Swedish Historical National Accounts, Table III för åren 1830-2000, http://www.ehl.lu.se/database/LU-MADD/ NR Detaljerade årsberäkningar tabell 4a för åren 2001-2009, http://www.scb.se/Pages/ProductTables____11040.aspx
X 1830-2009 Export Nationalräkenskaper, www.scb.se IM 1830-2009 Import Nationalräkenskaper, www.scb.se NX 1830-2009 Nettoexport (export-import) Beräkningar från nationalräkenskaper
XIM 1830-2009 Summa export och import (export+import)
Beräkningar från nationalräkenskaper
Anl 1830-2009
Byggnads- och anläggningsverksamhetens bidrag till BNP = Förädlingsvärde
Swedish Historical National Accounts, Table I för åren 1830-2000, http://www.ehl.lu.se/database/LU-MADD/ http://www.scb.se/Pages/ProductTables____22918.aspx tabell 3 för åren 2001-2009
Inv Anl 1830-2009 Investeringar i byggnader och anläggningar
Swedish Historical National Accounts, Table III för åren 1830-2000 http://www.ehl.lu.se/database/LU-MADD/ http://www.scb.se/Pages/ProductTables____22918.aspx tabell 12 för åren 2001-2009
KoDe 1921-2009 Statens utgifter till kommunikations-departementet
Statistik årsbok, http://www.scb.se/Pages/List____283991.aspx
TrKo 1830-2009
Transport- och kommunikations-verksamhetens bidrag till BNP = Förädlingsvärde
Swedish Historical National Accounts, Table I för åren 1830-2000, http://www.ehl.lu.se/database/LU-MADD/ tabell 3 för åren 2001-2009, http://www.scb.se/Pages/ProductTables____22918.aspx
Vg 1906-2008 Statens utgifter för drift- och vägbyggande
Statistisk årsbok, http://www.scb.se/Pages/List____283991.aspx
Jv 1856-1980 Nettoproduktion av järnvägar = Förädlingsvärde
Krantz, Olle (1986): Historiska Nationalräkenskaper för Sverige: Transporter och kommunikationer 1800-1980, Studentlitteratur, Lund
JvBl 1910-2004 Total trafikerad järnvägslängd
Historisk statistik för Sverige. Statistiska översiktstabeller för åren 1910-1950, http://www.scb.se/Pages/List____257377.aspx Statistisk årsbok för åren 1951-1984, http://www.scb.se/Pages/List____283991.aspx SIKA Statistik: Bantrafik 2008 för åren 1985-2008
Fp 1970-2009 Investeringar flygplats-anläggningstillgångar
Luftfartsverket årsredovisning 2009, utdrag ur äldre årsredovisningar från [email protected] och [email protected]
64
65
Appendix 2: Impuls-responsfunktioner
66
Diagram A2.1: Transport- och kommunikationstjänster: Impuls från T till BNP
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D1
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D2
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D3
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D4
67
Diagram A2.2: Impuls från BNP till T (Transport- och kommunikationstjänster)
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D1
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D2
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D3
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D4
68
Diagram A2.3: Impuls från J (Järnvägarnas förädlingsvärde) till BNP
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D1
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D2
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D3
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D4
69
Diagram A2.4: Impuls från BNP till J (Järnvägarnas förädlingsvärde)
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D1
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D2
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D3
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D4
70
Diagram A2.5: Impuls från V (Investeringar i och underhåll av vägsystemet) till BNP
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D1
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D2
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D3
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D4
71
Diagram A2.6: Impuls från BNP till V (Investeringar i och underhåll av vägsystemet)
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D1
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D2
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D3
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D4
72
Diagram A2.7: Impuls från X (Export) till BNP
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D1
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D2
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D3
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D4
73
Diagram A2.8: Impuls från A (Anläggnings- och byggverksamhetens förädlingsvärde) till BNP
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D1
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D2
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D3
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
D4
74
Diagram A2.8: Impuls från D1 till D4
BNP = Bruttonationalprodukt; EXP = Exportvärde; ANL = Anläggs- och buyggverksamhetens förädlingsvärde; TRKO = Transport- och kommunikationstjänsters förädlingsvärde; JV = Järnvägarnas förädlingsvärde; VG = Investeringar i och underhåll av vägsystemet
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
BNP till EXP
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
EXP till BNP
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
BNP till ANL
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
ANL till BNP
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
BNP till TRKO
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
TRKO till BNP
75
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
BNP till JV
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
JV till BNP
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
BNP till VG
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11
VG till BNP
76
77
Appendix 3: Kommentarer till olika ansatser att belysa sambandet mellan BNP och transportsystem-variabler
Statistisk analys av tidsserier som innefattar infrastruktur för transporter och
produktionsfaktorer som arbetskraft och kapital kan göras utan direkt referens till
teoretiskt underbyggda ekonomiska modeller. Sådana ansatser har stora
svårigheter att få acceptans. Den vanligaste ansatsen under 1980- och 1990-
talen har också varit att formulera en aggregerad produktionsfunktion av
klassiskt snitt. Några av de omtalade bidragen med denna ansats är Aschauer
(1989), Munnell (1990a), Lynde och Richmond (1991), samt Hulten och Schwab
(1991)8. Alla dessa undersökningar använder variabeln offentligt kapital för att
representera infrastruktur, och samtliga utom den sistnämnda uppvisar relativt
höga effekter (elasticiteter) för infrastrukturkapitalet. I vissa fall separerar
analyserna ut variabeln ”kärninfrastruktur” som omfattar motorvägar, gator och
tekniska försörjningssystem. Den principiella uppläggningen av dessa studier
beskrivs i figur A3.1.
FÖRKLARINGSVARIABLER BEROENDE VARIABEL
Figur A3.1 Samband mellan infrastruktur och produktionsförmåga i aggregerade produktionsfunktioner
8 För bredare översikter av olika metoder och resultat hänvisas till Batten och Karlsson
(1996). Se också Rietveld och Bruinsma (1998), Lakhsmanan and Anderson (2007a, 2007b), and Lakhsmanan (2008).
Privat kapital
Arbetsinsats
Teknikutveckling (tidsvariabel)
Infrastruktur (offentligt kapital)
(1) BNP (2) Aggregerad privat
produktion
78
Empiriska undersökningar av det slag som illustreras i figur A3.1 har stött på ett
antal invändningar. Tre av dessa intar en särställning. Den första tar fasta på det
förhållandet att en aggregerad produktionsfunktion inte på ett invändningsfritt
sätt kan härledas från mikroekonomisk teori och att den därmed inte återspeglar
det den skall. I detta sammanhang brukar man säga att aggregerade kapitalmått
ofta har en svag empirisk relevans, något som diskuterades under en livlig
debatt i början av 1970-talet (Sen, 1970; Harcourt och Laing, 1971).
Invändning nummer två är en klassisk fråga i tillämpad statistik. Den fäster
uppmärksamheten på det faktum att tidsserieskattningar vanligen uppvisar
missvisande (spurious) korrelation. Ett missvisande samband i en
tidsserieregression uppträder om två variabler samvarierar som en följd av att
båda egentligen påverkas av en tredje variabel som inte finns med i
regressionsanalysen. Enligt ett klassiskt sådant samband kan man visa att den
genomsnittliga livslängdens ökning under 1900-talets första hälft låter sig
förklaras av den ökande tobakskonsumtionen.
Den tredje invändningen gäller kausalitetssambandet. Med tidsserieanalys är det
ofta inte möjligt att klargöra vilken av två variabler som påverkar den andra.
Annorlunda uttryckt: Växer infrastrukturen som en följd av ekonomisk tillväxt,
eller är sambandet det omvända. Med modern ekonometri kan man ibland
undersöka även denna fråga för ren tidsserieanalys, men som vi skall se
erbjuder kombinerad tvärsnitts- och tisserieanalys en annan lösning.
En mer teknisk invändning gäller robustheten hos skattade parametrar.
Exempelvis har det visat sig att när samma slags estimation görs över olika
tidsperioder, kan det estimerade värdet på flera parametrar förskjutas kraftigt och
på ett oväntat sätt (Nienhaus, 1991). Det indikerar en låg tillförlitlighet i
skattningarna
Utgångspunkten för flerregional tvärsnittsanalys är att regioner på ett markerat
sätt skiljer sig sinsemellan med avseende på inkomst per invånare, produktivitet i
jämförbara näringar (företag), sammansättning av näringslivet, tillväxt i
aggregerad produktion och lönesumma, och i antal förvärvsarbeten, liksom
tillväxt i jämförbara näringar. Eftersom det finns sådana skillnader kan man
formulera en följdfråga: Skiljer sig regionernas tillgång på infrastruktur på ett
sådant sätt att det regionala utbudet av infrastruktur kan förklara regionala
skillnader av det slag som beskrivs ovan?
Det finns ett stort antal studier med den beskrivna ansatsen. En huvuddel av
dessa utnyttjar produktionsfunktioner som för varje region tar hänsyn till de
regionalt givna produktionsfaktorerna och infrastrukturvariablerna. Många av
dessa studier är gjorda på svenskt material, men det finns också exempel både
från Japan, USA och Frankrike. Några av exemplen är Mera (1973a, 1973b),
Wigren (1976, 1984, 1985)*, Costa, Elson och Martin (1987), Andersson,
Anderstig och Hårsman (1990, 1992)*, Duffo-Deno och Eberts (1989), Duffo-
Deno (1991), Anderstig (1991)*, Fritsch och Prud’homme (1994), Sasaki,
79
Kunihisa och Sugiyama (1995)*, Ciccone och Hall (1996), och Aschauer
(2000)9.
De bidrag som är markerade med ” * ” kännetecknas av att infrastrukturen
beskrivs med en vektor bestående av flera attribut. Dessa bidrag har också
utgått från vad vi kallat fysiska mått på infrastrukturens egenskaper. Som en
konsekvens av detta finner man en betydligt större robusthet i parametervärdena
från dessa bidrag. Generellt sett är parametervärdena för infrastruktur lägre i
dessa fall än med de icke-rumsligt specificerade regressionssambanden.
Vilken typ av invändningar har riktats mot de nu beskrivna tvärsnittsstudierna?
De har alla utnyttjat aggregerade produktionsfunktioner, och samma
invändningar som tidigare kvarstår därmed även om regionalt specificerade
produktionssamband inte träffas lika starkt av denna kritik som nationella
makrofunktioner. De aggregerade produktionsfunktionerna kan antingen avse
hela ekonomin eller delar av den, t ex tillverkningsindustrin.
En andra invändning är att även med tvärsnittsansatsen kan man ifrågasätta
kausalitetssambandet. I vissa av studierna betonar man också att sambanden
skall ses som en form av interdependens snarare än en enkel kausalitet. Det
finns också exempel på tvärsnittsanalyser där tvärsnitten avser ekonomins
sektorer istället för dess regioner. Vad kännetecknar då dessa studier? Ett viktigt
bidrag från dessa är att de klargör att näringsgrenar skiljer sig åt när det gäller
infrastrukturens betydelse för deras produktivitet och produktionskostnader. Man
kan särskilt observera två bidrag som båda formulerar en kostnadsfunktion
istället för en produktionsfunktion och begränsar infrastrukturen till att gälla
tillgången på motorvägskapital eller motorvägskapacitet. Det gäller Seitz (1993)
vars studie avser Tyskland och Nadiri och Mamanueas (1991, 1996) där
analysen avser USA.
Tabell A3.1 Typiska statistiska problem vid analyser baserade enbart på tidsserie- respektive tvärsnittsdata
Tidsseriedata Tvärsnittsdata
Flerdimensionella,
fysiska mått
Flera tolkningar är möjliga
(Ambiguous correlation)
Endimensionella
värdemått
”Missvisande” samband
(Spurious correlation)
9 För bredare översikter av olika metoder och resultat hänvisas till Batten och Karlsson
(1996).
80
Vilka fördelar finns det med att använda kostnads- och vinstfunktioner vid
estimation av samband mellan infrastruktur och ekonomins funktion? I enkla
ordalag, när man formulerar kostnads- och vinstfunktioner ger man skattningarna
stöd från mikroekonomisk teori. Detta stöd innebär restriktioner som inte data
själva kan ge. Följande punkter sammanfattar några av de påstådda fördelarna:
Estimering av en kostnadsfunktion bygger på optimeringsantaganden
Med denna ansats kan man tillämpa Shepards lemma och andra
dualitetsvillkor som ger förutsättningar för tydliga, långtgående och
välkontrollerade slutsatser.
En vinstfunktion härleds på likartat sätt från maximeringsantaganden, och
därmed kan Hotellings lemma och andra dualitetsvillkor tillämpas.
Formuleringen av en vinstfunktion/kostnadsfunktion gör det möjligt att
effektivt skilja mellan rörliga kostnader och fasta kapitalkostnader.
Vinstfunktionen/kostnadsfunktionen gör det möjligt att identifiera
skaleffekter på ett väldefinierat och kontrollerat sätt.
Skattningar av en vinstfunktion/kostnadsfunktion tillåter både utbuds- och
efterfrågeanpassningar att påverka tillväxten i produktivitet.
Med en vinstfunktion/kostnadsfunktion kan man på ett konsistent sätt
hantera produktionssamband som omfattar såväl arbetskraft och kapital
som inflöden av insatsvaror.
Vilka brister finns då med denna ansats? För det första är angreppssättet i första
hand tillämpat på tillverkningsindustrin, för vilken det finns bäst försörjning med
lämpliga data. För det andra utformas estimationer med kostnadsfunktioner så
att man definierar bort lokaliseringsdynamik och produktionstillväxt. Det senare
betyder helt enkelt att man skattar produktivitetseffekter och allokeringsvinster
som uppstår, givet att produktionsvolymen förblir oförändrad (Nadiri och
Mamuneas, 1996).
Det finns exempel på både tvärsnitts- och tidsserieanalyser där fysiska mått på
infrastruktur och dess olika attribut används. I princip skulle man också kunna
nyttja sådana mått i en kostnadsfunktion. Vilka fördelar finns det då med att
använda fysiska mått för att karakterisera infrastruktur och transportsystem?
Infrastrukturen kan beskrivas med en vektor av egenskaper eller attribut,
och det betyder att man kan fånga in både kapacitets- och kvali-
tetsskillnader i olika regioners försörjning med infrastruktur.
81
Egenskapsbeskrivningar klarar sig utan antaganden om att marknads-
värden och andra tilldelade ekonomiska värden korrekt återger ett
transportsystems kapacitet och kvalitet. Om kvaliteten är flerdimensionell
ger kapitalvärden i princip aldrig en komplett bild, eftersom priserna som
används för att göra värdeberäkningar inte är marknadspriser (utan
kostnadspriser).
Med fysiska mått behöver inte några fastprisberäkningar göras, även om
andra mått på kvalitetsförändringar över tiden kan vara nog så krävande
att få fram.
Med fysiska mått ökar också möjligheten att basera ekonometriska
estimationer med hjälp av tvärsnittsdata över ett system av regioner.
Med fysiska mått kan man också på ett mer kontrollerat sätt estimera
samband över tidsperioder.
Innebörden av ett transportnätverk kan också preciseras sektorsvis på ett
mer tillförlitligt sätt om kapacitets- och tillgänglighetsvariabler utnyttjas.
Det bör betonas att tillgänglighetsmått här tolkas som fysiska mått, där
kvalitetsaspekter finns inkluderade.
De slutsatser som presenteras ovan i punktform diskuteras ingående i över-
siktsartiklar av Johansson och Wigren (1996) och Johansson (1998). Där
redovisas också ett antal ekonometriska analyser som utnyttjar olika slag av
tillgänglighetsmått. En bred genomgång finns också i Rietveld och Bruinsma,
1998).
Trafikanalys är en kunskapsmyndighet för transportpolitiken. Vi analyserar och utvärderar föreslagna och genomförda åtgärder inom transportpolitiken. Vi ansvarar även för officiell statistik inom områdena transporter och kommunika-tioner. Trafikanalys bildades den 1 april 2010 och har huvudkontor i Stockholm samt kontor i Östersund.
TrafikanalysSveavägen 90
113 59 Stockholm
Tel 010 414 42 00Fax 010 414 42 10 [email protected]